El rápido desarrollo de la tecnología de conducción autónoma es ampliamente considerado como una solución potencial a los desafíos actuales de congestión de tráfico y la evolución futura de vehículos inteligentes. Las estrategias de conducción efectivas para vehículos autónomos deben equilibrar la eficiencia del tráfico con la seguridad y comodidad. Sin embargo, el entorno de conducción complejo en las áreas de fusión de rampas de entrada a la autopista presenta un desafío significativo. Este estudio construyó un escenario típico de fusión de rampas de autopista y utilizó el aprendizaje profundo por refuerzo (DRL) para desarrollar y regular vehículos autónomos con diversas estrategias de conducción. La plataforma SUMO se empleó como herramienta de simulación para llevar a cabo una serie de simulaciones, evaluando la eficacia de varias estrategias de conducción y diferentes tasas de penetración de vehículos autónomos. Los resultados cuantitativos y hallazgos indicaron que los vehículos autónomos regulados por DRL mantienen una estabilidad óptima de velocidad durante la fusión de rampas, garantizando una conducción segura y cómoda. Además, los vehículos autónomos controlados por DRL no comprometieron la velocidad durante los cambios de carril, equilibrando eficazmente la eficiencia, seguridad y comodidad. En última instancia, este estudio proporciona un análisis exhaustivo de las posibles aplicaciones de la tecnología de conducción autónoma en las zonas de fusión de rampas de autopista bajo escenarios de tráfico complejos, ofreciendo información valiosa para abordar estos desafíos de manera efectiva.