随着我国物流业的快速发展,快递业务量呈爆炸式增长,人工配送成本越来越高,社会对配送效率的要求也越来越高,以人工配送为主的传统物流已经无法满足社会需求。近年来,无人驾驶技术的兴起为物流配送提供了一个可行的解决方案,路径规划是物流配送的主要问题之一,研究无人车路径规划技术辅助无人车辆进行智能路线规划,对提升物流配送效率具有重要的意义。论文分别对无人车物流配送的全局路径规划和局部路径规划进行了研究,主要研究内容如下:（1）针对无人车配送全局路径规划实时性差、存在滞后性,导致规划路线不合理的问题,提出了基于交通态势认知的无人车配送全局路径规划模型。为了获取实时交通态势信息,基于python搭建了交通态势爬虫框架;为了预测交通流信息,基于GRU网络构建了交通流预测模型;为了对路网进行量化评价,设计了交通态势加权融合方法,融合实时交通态势信息和预测的交通流,得到了交通态势认知的路网模型,并在此基础上进行全局路径规划。（2）针对无人车配送局部自主规划能力差,难以适应错综复杂的交通环境的问题,提出了启发式奖励和自适应探索策略DQN的局部路径规划模型。为了解决普通DQN进行路径规划时存在奖励稀疏的问题,设计了一种启发式的连续奖励函数,使智能体在学习过程中每个状态都有综合的奖励反馈;为了平衡强化学习过程中探索与利用的问题,提出了一种自适应探索策略,使智能体合理的利用“旧知识”和探索“新空间”;最后融合启发式奖励和自适应探索策略得到改进的DQN路径规划模型。（3）分别对提出的模型进行仿真实验和分析。以北京市蓟门桥到东十四条桥的矩形区域作为实验区域,基于Arcgis平台分别在考虑和未考虑交通态势信息的路网上进行实验,实验表明,基于交通态势认知的路网路径规划优于最短路径规划,能有效避开拥堵路段,节约了配送时间,提高了配送效率。基于python的tensorflow和keras模块搭建仿真环境,对改进的DQN进行消融实验,实验表明,融合启发式奖励和自适应探索的DQN模型不仅路径规划效率高,规划的路径也是最优的。基于交通态势认知的全局路径规划能规划出更为合理的全局路径,节约时间,提升配送的效率,当无人配送车处于未知环境,使用启发式奖励和自适应探索的DQN局部路径规划实时调整全局路线。全局和局部结合的路径规划,使无人车物流配送路线规划更加的合理化和“智能化”,一定程度上可以加快无人车配送的落地应用。