端到端的驾驶决策是无人驾驶领域的研究热点.本文基于DDPG(Deep　Deterministic　Policy　Gradient)的深度强化学习算法对连续型动作输出的端到端驾驶决策展开研究.首先建立基于DDPG算法的端到端决策控制模型,模型根据连续获取的感知信息(如车辆转角,车辆速度,道路距离等)作为输入状态,输出车辆驾驶动作(加速,刹车,转向)的连续型控制量.然后在TORCS(The　Open　Racing　Car　Simulator)平台下不同的行驶环境中进行训练并验证,结果表明该模型可以实现端到端的无人驾驶决策.最后与离散型动作输出的DQN(Deep　Q-learning　Network)模型进行对比分析,实验结果表明DDPG决策模型具有更优越的决策控制效果.