柔索驱动并联机器人凭借其工作空间大、载重比大、运动精度高等优点在各方面得到了广泛应用,由于柔索在工作空间中的分布很容易受到障碍物的干扰和限制,尤其在起重吊装、货物搬运等领域。可重构索驱动并联机器人（RCDPRs）通过改变柔索与静平台的连接位置,以此来改变柔索在空间中的位置分布,进而改变当前构型下的工作空间实现避障。由于可重构索驱动并联机器人为冗余驱动,其运动规划存在多解,针对具体情况人为规划轨迹较为繁琐。本文针对可重构索驱动并联机器人的运动规划问题,采用深度强化学习（DRL）的方法来求解机器人的路径与轨迹,实现机器人的智能避障,并在机器人实验平台进行验证,主要研究内容如下:首先,对3立柱3柔索的可重构索驱动并联机器人结构进行分析和数学建模,在此基础上进行正逆运动学公式的推导、静力学分析、工作空间分析和运动仿真分析,验证了可重构结构有利于机器人工作空间的变化、增大了机器人末端的可达空间,并且提高了运动中柔索的灵活性,从而有助于机器人完成避障任务。但其每次运动规划都需要人为地策划过程中的经过点,缺乏通用的求解算法。其次,针对可重构索驱动并联机器人的运动规划在强化学习求解中对采样利用率要求较高的问题,简述了深度强化学习的基础理论,并基于Soft AC算法的几点改进提出深度期望SARSA算法,分析了双曲正切型高斯分布的分布特性,用裁剪型高斯分布代替,避免了策略函数极端分布情况;用期望SARSA代替Soft AC中动作价值函数的更新方式降低了更新中引入的方差,提出区间随机离散化的方法求解近似期望值,并基于此从动作价值函数中推导出策略函数更新中的目标均值和目标方差,实现随机性策略函数的自适应随机性。之后通过仿真环境Mu Jo Co的强化学习任务验证了改进算法在学习速率上有所提升。最后,将可重构索驱动并联机器人避障任务的运动规划问题进行了符合强化学习框架的数学建模和代码编写,并利用深度期望SARSA算法进行求解。先后设计了动作空间、状态空间、奖励函数、障碍物随机设定、目标点随机生成和机器人干涉检测算法等,通过训练获得了较好的策略函数,基本学会根据不同的障碍物位置和任务自主规划出可行的立柱位移和柔索长度的运动轨迹,轨迹数据经过处理后在机器人平台上进行了验证实验,得到了预期的运动效果。