在移动的智能体研究中,智能体对检测范围内的道路作路径规划是关键的问题之一。智能机器人的路径规划将会使本体准确、快速、安全的到达目的地成为可能,路径规划中的地图构建和定位反映了智能体在运动过程中与周围环境交互的能力,但智能机器在路径规划过程中会受到外界因素干扰,造成视觉传感器采集的图像模糊,影响后续路径障碍的识别,最终导致路径规划失败。针对上述问题,本文首先采用图像复原技术对受到外界因素干扰的图像进行去噪;其次,构建地图环境模型,使用卷积神经网络仿生智能算法对路径障碍进行识别,有效避免了传统算法容错率低,冗余不足的缺陷;最后,利用强化学习决策网络来进行路径规划。本文将图像复原技术应用在智能体上,同神经网络智能算法相结合,在实验室仿真试验下研究智能体的路径规划问题。首先,本文将视觉传感器采集回来的模糊图像(大气湍流、风沙扬尘、大雾天气)进行盲解卷积方法去模糊和降噪处理。这改进了以往图像复原处理噪声技术,从直接将外界噪声信号与原图像像素进行卷积的方法改为对外界噪声环境进行选择性放大的处理方法,使得图像尽可能的恢复到原有无噪声清晰状态;其次,将处理清晰的图像的输入形式转置为列向量后,输入到深度学习的卷积神经网络。此外,本文将传统卷积神经网络的结构进行了细微变化,使得池化层更加突出,减小了卷积神经网络的运算负担;本文训练的数据来自自建数据集,可以准确的对障碍体的特征进行把握,利用卷积神经网络对图像中的物体(障碍)进行识别并标记;最终把标记好的障碍背景图像作为输入,使用MATLAB将图像里面的障碍坐标进行提取并存储为数据库文件,将放缩后的障碍重构到新建的笛卡尔坐标系上同时标出起始点与目标点。继续分析新建地图各障碍物坐标点、目标点和起始点有无马尔科夫性,进而能否构建马尔科夫过程,最后进行马尔科夫分析,对智能体进行定义并且构造马尔科夫矩阵。利用Python编写强化学习算法——DQN程序进行智能体的路径规划。最后将移动的路线和距离记录下来,并分析强化学习路径规划算法的优越性。最终实验结果表明,图像复原技术在智能体路径规划采集系统中有重要作用,图像的清晰程度决定了智能体路径规划的后续工作能否正常进行;其次验证了图像复原技术与人工智能算法的在路径规划上的结合应用是可行的且在复杂、多变的大数据环境下,采用强化学习控制决策算法的系统可以长周期的稳定运行。