广阔的海域不仅蕴藏着丰富的资源,而且是贸易和文化交流的重要通道。大力发展海洋装备,是提高中国海洋建设和治理能力的必要手段。自主式水下航行器（Autonomous underwater vehicle,AUV）作为一种探索和开发水下空间的无人驾驶航行器,能够出色的完成各种科学调查和工程任务,具有广泛的应用前景和重要的研究价值。在观测级AUV领域,其小巧敏捷等特性在水下环境的跟踪拍摄中发挥着难以代替的作用,而如何达到理想的拍摄效果是目前需要关注的重点问题。本课题主要聚焦于AUV对水下潜水员等目标进行跟踪拍摄的过程,提出了一种保证拍摄效果的AUV路径规划方法,对该类型的路径规划任务提供了理论依据。本文首先介绍了文章的研究背景以及研究意义,并对路径规划算法的国内外研究现状进行综合分析。针对海洋环境的复杂多变性,将深度强化学习算法应用到跟踪拍摄AUV路径规划问题中,有效地提高了跟踪拍摄AUV的拍摄效果和学习能力,提高了对环境的适应性。其次,对基于归一化优势函数的深度Q学习算法进行了改进,提出基于双归一化优势函数的深度Q学习算法,并进行了AUV跟踪拍摄路径规划问题的研究。本课题的具体任务为根据拍摄图像效果实时规划路径,所以将该深度强化学习算法应用到路径规划领域,并进行了仿真验证。然后,针对双归一化优势函数的深度Q学习算法的学习效率较低的问题,本文提出一种基于元强化学习以及自适应学习率改进算法。主要是采用元强化学习方法以加快学习速度。通过对比分析试验结果,该调整策略有效地提高了原算法的收敛速度,而且优化后算法的在收敛稳定性上也有所提升。最后,对半实物仿真平台的概念及意义进行了简明扼要的阐述,对所开发的路径规划系统的软硬件结构进行了描述分析。叙述了半实物仿真试验流程,以及本课题算法在半实物仿真中的试验结果,由此证明了本文所提出的跟踪拍摄AUV的路径规划方法的可靠性和稳定性。