UUV在未知环境下的动态路径规划能力是体现其智能水平的重要指标之一。传统动态规划方法往往遭受着环境模型精度与规划实时性矛盾的困扰,且在具有大量随机运动障碍的复杂环境中,还需设计辅助策略才能实现理想的规避,而这些辅助策略通常在一些假设条件下成立,具体实现时往往还需繁冗昂贵的感知设备来支持。因此,探寻一种高效且易于实现的动态规划方法具有重大的理论和实践价值。深度学习是目前最具潜力的人工智能算法。在无人驾驶汽车领域,基于深度学习的动态规划能力已经达到实用水平。然而,UUV工作在水下,其工作环境不同于城市路况的规则和秩序,且感知设备往往是声学设备而非无人驾驶汽车采用的光学图像设备,这就使得目前较成熟的深度卷积神经网络难以直接应用到UUV的动态规划当中。本文根据UUV的工作环境和感知设备特点设计了一种更合适的LSTM-RNN网络结构,用以学习UUV在未知环境下的动态规划方式。全文主要从以下三个方面展开研究:首先,建立基于蚁群算法的教师系统动态规划,用以采集训练深度网络所需的样本数据集。其中包括几何环境模型的构建、模型膨化处理、可视图构建、蚁群路径规划算法设计,以及复杂动态环境下规划策略,并进行仿真验证。然后,推导深度学习的基本实现过程,分析常用的三种深度模型的结构特点和应用方式,对比体现RNN处理序列信息的优势,针对传统RNN存在的问题,设计LSTM-RNN网络结构。最后,利用LSTM-RNN实现动态规划。包括LSTM网络的训练方式分析,根据UUV常用的前视声呐感知特点设计模拟感知器,实现样本数据采集和样本处理,设计适用于动态规划的LSTM-RNN结构,以及LSTM-RNN的训练和学习效果验证。实验结果表明,在大小为84350的样本集下经过充足的训练,LSTM-RNN可以学习到教师系统在未知环境下的规划方式。训练完成的LSTM-RNN在应用时不需要构建环境模型,也不需要繁冗的感知设备,仅仅在前视声呐辅助下就可实现复杂环境中的动态规划。