随着智能电子产品中的印刷电路板（Printed Circuit Board,PCB）越来越趋向于小型化,且板上元件密度也越来越大,从而导致PCB布线工作也变得越来越复杂。但是当前电子设计自动化（Electronic Design Automation,EDA）工具内置的自动布线功能布线速度慢且布通率低,当前PCB布线工作仍然主要依赖于人工,从而使得在工业PCB设计过程中仍需要消耗大量的人力资源。因此,急需智能布线算法来提高PCB设计效率和节约人力成本。本文提出了基于深度强化学习的智能布线算法,以实现布通率高、布线速度快并且能够适应不同布线场景的自动布线算法为研究目标,实现能够取代人工的智能化布线算法。该算法的核心思想是采用基于联合深度学习与（Monte Carlo Tree Search,MCTS）的强化学习算法。深度神经网络能够预测当前状态下决策动作对应的先验概率来提高MCTS的搜索效率。另一方面,MCTS搜索的结果能够用来训练深度神经网络,这样二者通过不断迭代,自我学习积累布线经验,实现复杂PCB的高效准确自动布线,显著提升PCB设计效率。并且在训练过程中可以仅仅依靠根据电气规则设计的奖励函数,而不依赖任何人为标签信息。相比于已有的自动布线算法,本文提出的基于深度强化学习的智能布线算法有如下创新点:1)提出了一种基于联合深度学习和MCTS的线序选择算法。相比于已有自动布线算法,本文将布线顺序决策作为布线过程中的重要一环,先使用线序选择算法决定布线顺序,再使用自动布线算法具体布线,这样来防止已完成的布线会过于影响后续待布线对的布线。具体地,本文将线序选择问题映射成了一个序列决策搜索问题,核心思想是通过MCTS搜索得到较优的布线顺序,并使用深度神经网络预测的动作先验概率来提高MCTS的搜索效率。实验表明,使用了线序选择算法后,自动布线算法的平均布通率提高了14.76%。2)提出了一种联合深度学习和MCTS的自动布线算法。由于布线工程师的布线经验难以被量化定义,该算法将电气设计规则定义为强化学习中的奖励函数,通过奖惩的方法使得布线算法能够自动学出其中的布线规则,而无需人为地去定义很多布线规则。并且算法中的深度神经网络可以像布线工程师一样可以通过训练不断地积累布线经验,完成的布线工作越多,其输出的动作先验概率就越准确,从而能够不断地提高MCTS的搜索效率,使得布线性能越来越好。3)通过多个布线场景的实验验证,相比于已有自动布线算法,本文所提的基于深度强化学习的智能布线算法均有性能提升。首先,在布线顺序相同的情况下,多个场景下,本文提出的自动布线算法的布通率最高且布线总长度最短。然后,将自动布线算法与本文提出的线序选择算法相结合后,其布通率也会有所提升,证明了线序选择在布线过程中的重要性。最后,在大小为200×200且待布线对个数为70的真实场景上,本文所提算法能够将待布线对全部布通,然后将布线结果映射回真实布线EDA工具中能够满足电气设计规则要求,并且布线效率相对于人提高了400%。