强化学习是机器学习领域重要的研究之一,在移动机器人导航技术方面有许多应用。但是当前强化学习算法都有收敛速度慢,环境适应能力差等很多问题,而且在现实应用中需要高昂的训练成本,所以给移动机器人导航的应用带来了诸多困难。因此,针对以上问题,本文主要完成以下工作:（1）通过Gazebo仿真环境搭建仿真环境和ROS仿真移动机器人,并且通过ROS操作系统在真实环境中搭建移动机器人平台。（2）针对目前机器人导航策略在环境迁移中需要花费大量时间重新训练的问题,本文提出一种基于深度强化学习的机器人导航策略。该策略使用深度强化学习作为机器人的决策框架,结合后继特征,使机器人可以将先前环境中提取的特征映射到新的环境中。在适应某个的环境后,若在新的环境中遇到类似的特征,则会启用之前的策略,减少重复训练,迅速适应新的环境。在模拟环境中进行训练并验证,实验表明,本文的方法可以自主完成导航任务,且与传统的强化学习方法相比,能更快适应新的环境。（3）针对目前强化学习在真实环境中需要通过进行大量训练才能得到合适控制策略的问题,本文提出了一种基于模仿学习的DDPG算法框架（DDPG-IL）。该框架首先通过模仿学习获取演示数据并将其存储在专家库中,同时对DDPG算法进行了预训练。然后,该算法合理地利用了演示数据及其自身的探索数据进行学习。最后,当算法达到近似专家水平时,它逐渐成为普通的强化学习,并通过自学习继续训练,直到算法收敛到稳定状态为止。通过ROS搭建移动机器人平台在实际环境进行实验,实验结果表明,该算法收敛速度快于普通的强化学习算法,能够在现实环境中快速收敛。