装载机作为功能最为突出、用途最为广泛的工程机械,在能源开采、基础设施建设以及抢险救灾等任务中发挥着重要作用。由于对人员安全、施工精度以及效率要求的不断提升,传统装载机已难以满足今后的社会发展。具有自主作业能力的智能装载机能够提高作业效率以及能源利用率,助力2030年实现碳达峰、2060年实现碳中和,并将驾驶员从恶劣的驾驶环境中解放出来。因此开展装载机智能作业研究具有极其重要的意义。本文对装载机智能作业技术的研究背景及意义进行了系统论述,对基于物理模型和基于数据驱动的工程车辆智能作业技术国内外研究现状进行了详细阐述,分析讨论了目前装载机智能作业存在的相关技术难点,对基于数据驱动的方法进行了新的探索。主要研究内容:（1）本文提出了一种基于深度学习的预测模型,通过对驾驶数据的学习来预测装载机状态和油门开度值。首先,基于装载机试验样机搭建了试验数据采集平台并确定了操作物料以及试验场地,获取了真实驾驶数据。其次,利用多个长短时记忆（long short term memory,LSTM）网络提取装载机运行过程中不同阶段的时序特征。然后,设计了两个以LSTM提取的时序特征作为输入的反向传播神经网络（BPNN）,这两个BPNN分别以油门开度值和状态的预测结果作为输出。最后,利用两种不同工况下的真实数据对提出的预测模型进行训练。预测结果显示,与基准模型相比,该预测模型拥有良好的适应性以及预测精度。此外,还对预测性能与信号采样频率之间的关系进行了研究。（2）引入了基于强化学习的方法。在对装载机铲装作业阶段工作特征进行分析的基础上,将轮式装载机自动铲装问题转化为有限马尔可夫决策过程。利用真实数据构建了一个非线性非参数马尔科夫预测模型,从而实现间接强化学习,为接下来强化学习算法的训练提供仿真环境。（3）提出了基于Q-learning的自主铲装作业算法,并对动作、状态以及奖励进行了合适的设定。然后,将构建的马尔科夫预测模型作为虚拟仿真环境来对所提出的算法进行训练。最后,将源域中Q-learning的部分参数转移到目标域任务的Q-learning中,并对数据方差对结果产生的影响进行了探究。仿真训练结果表明,在没有物理模型的情况下,该算法能够实现策略的自学习并实现收敛。此外,该算法具有良好的适应性以及迁移学习能力。