为了满足各种专项需求,智能机器人首先需要完成一些基础的任务,而实现自主导航则是其中一种。通过视觉进行自主导航,可以使机器人摆脱对场景地图的依赖,更快速的进行任务部署以及任务拓展。然而视觉信息冗余度高,处理困难,且使用传统算法先建模然后再设计导航控制器的难度很大。近年来快速发展的深度强化学习方法为免模型的机器人视觉导航任务提供了一个新的研究思路,但在视觉导航领域,还存在着样本效率低下,训练困难以及容易过拟合到当前导航场景等问题。本文分别从提升导航性能以及导航场景泛化能力的角度构建基于深度强化学习的视觉导航方法,并训练导航智能体完成端到端的视觉导航任务。使用强化学习方法解决视觉导航问题普遍存在奖励稀疏以及样本效率低下的问题。针对奖励稀疏问题,本文提出了基于逆模型辅助任务的特征塑造方法,以自监督学习的方式加快智能体的训练过程。该方法直接对原始的状态输入进行特征塑造,保证了智能体在当前训练环境中的导航性能。针对样本效率低下的问题,本文提出了一种基于样本增强的多个目标协同训练机制,缓解当目标增多时需要的训练样本数目急剧增加的问题。拥有场景泛化能力的智能体在面对新的导航场景时,不用重新训练或者只对其进行微调便可以直接完成导航任务。因此完成多场景多目标下的视觉导航任务最便捷的方法是首先在部分场景下训练出泛化能力强的模型。针对智能体在不同导航场景下的泛化问题,本文基于模块化网络设计的思想,设计了两种适用于室内导航场景的自监督辅助任务模块:基于路径闭环检测的网络模块设计,训练智能体判断当前状态是否为经历过的状态;基于状态-目标匹配的网络模块设计,训练智能体判断当前的状态与目标状态之间的差异。本文在AI2-THOR导航仿真平台上对上述提出的解决方案中的不同模块进行消融实验,并在最后测试使用整个解决方案训练的智能体对于新的导航场景的泛化能力。最终证明提出的模型能更快地训练出导航性能及泛化能力更好的智能体。