针对医院室内运输场景中人员密集、环境动态变化、障碍物类型复杂等问题，传统运输机器人避障技术存在适应性差、 决策滞后等局限。本文提出一种基于改进深度 Q 网络（DQN）的医院运输机器人自主避障方法，通过构建融合医院场景 特征的强化学习框架，优化状态空间、动作空间与奖励函数，实现机器人在复杂环境下的实时避障决策。首先，基于医院 实地调研数据与 ROS 搭建高保真场景仿真平台；其次，引入动态权重因子改进 DQN 算法，提升模型对突发障碍物的响应 速度；最后，通过仿真测试与实地实验验证算法性能。结果表明，该方法在医院常见场景下的避障成功率达 96.7%，平均 避障决策时间缩短至 0.19s，优于传统 A * 算法与基础 DQN 算法，可为医院运输机器人的智能化应用提供技术支撑。