在高速公路的日常管理中,过往交通事故的现场处置过程常被道路监控视频录像或文字性事故报告记录下来,大量的应急处置经验蕴藏于这些记录中,复用这些经验可以有效提升突发事件现场应急处置的决策效果。因此,为了复用过往事故的应急处置经验,本文提出了一种基于知识迁移的经验复用方法,借助多智能体强化学习算法和策略蒸馏方法来对高速公路突发事件的现场应急处置经验进行迁移和复用。首先,本文利用马尔可夫决策过程建立了一个任务级别可以模拟高速公路突发事件现场情景的演化和决策过程的数学模型,该模型具有广泛的适用性,可以模拟不同类型的突发事件的现场处置过程。之后,为了实现应急经验的复用,一种名为基于策略蒸馏的多智能体深度确定性策略梯度（Policy Distillated Multi-Agent Deep Deterministic Policy Gradient,PD-MADDPG）算法的知识迁移方法被提出,该方法可以将多个过往突发事件的应急经验迁移到当前事故的应急处置当中去,进而实现快速的应急决策和最优现场处置。最后,所提算法的性能在从陕西省高速公路管理局获取的高速公路实际交通事故的实例分析中得到了评估和验证,除了比各种典型决策方法获得更好的应急决策性能外,实验结果显示,具有迁移知识的智能体比没有经验复用的智能体的平均奖励在五则研究案例中分别高出了65.22%、11.37%、9.23%、7.76%和1.71%,且基于经验复用的应急处置在道路安全,通行效率等方面也拥有着更好的表现,结果表明从多个案例中迁移的应急经验有助于提升应急决策的快速性并优化事故现场的应急处置。本文的主要工作和贡献点主要体现在以下几个方面:（1）基于对2019年2月至2019年9月陕西省全境高速公路的交通事故监控视频录像以及文字报告的分析,本文首先提出了一种能够模拟不同类型交通事故现场处置流程的数学建模方法:道路突发事件的现场处置被抽象为多应急响应部门和事故现场交互影响的过程,构成事故现场处置的应急任务和响应行为被总结出,为了让构建的模型具有模拟多类型事故的泛化能力,任务级别的数学模型被建立。进一步的,为了方便评估应急决策效果,借助层次分析法中的成对比较矩阵,涵盖多角度全方位的应急处置评价体系被建立,包括道路安全,通行效率等在内的多方面因素被引入其中。（2）针对高速公路突发事件现场处置多应急响应部门参与的特点,为了解决事故现场多部门的应急协作问题,本文提出了一种基于多智能体深度强化学习算法的应急决策方法,算法的多智能体分别代表不同的应急部门,他们的响应行为即其负责的应急处置职能,通过迭代式参数更新,算法的应急决策被不断优化,并最终使得多智能体能够在团队协作下促进事故现场的应急处置。（3）为了复用蕴藏在事故处置记录中的应急处置经验,并进一步地提升事故现场的应急决策效果,本文提出了一种基于知识迁移的经验复用方法:通过将策略蒸馏方法适应性的应用到多智能体深度强化学习领域,一种名为基于策略蒸馏的多智能体深度确定性策略梯度的算法被提出。在“教师-学生”框架下,历史事故的处置经验被教师智能体先学到,之后借助策略蒸馏,处置经验以知识的形式被传授给学生智能体内,最后借助学生智能体为新发生的交通事故制定应急决策,从而实现了对应急处置经验的复用,有效提升了应急经验的利用率。实验结果表明与典型决策优化方法相比,PDMADDPG拥有更稳定和快速的应急决策,且可以有效地优化处置过程。此外,PDMADDPG作为面向多智能体的知识迁移方法,也为迁移学习在多智能体强化学习领域的应用做出了贡献。