决策作为人工智能领域的重要研究方向之一,目前已存在许多重要的研究成果。由于智能体实际所处的环境往往是动态、不确定的,很难对环境变化进行提前预测,所以,针对变化的环境进行决策也就更加困难。智能体在未知环境中的自适应决策能力决定了其智能化的程度,也就是说,智能体在面对动态不确定的环境时,需要采取相应的自适应行为,然而传统的控制方法已经无法满足工程实践需求。针对此类问题,本文利用深度学习的强大感知能力和强化学习的高效决策能力解决智能体自适应决策问题,通过深度强化学习算法训练智能体,使其在与环境进行交互的过程中总结经验,从而形成自身对具体行为应用的认识。由于深度强化学习算法在现实环境中做实体训练比较困难,本文以仿真环境下无人机反拦截任务为载体,基于深度强化学习Soft Actor-Critic（SAC）算法对智能体自适应决策问题展开研究,并针对训练过程中出现的问题对SAC算法进行改进。SAC作为一种高效的无模型深度强化学习算法,能够满足智能体在复杂环境中通过学习获取技能的需求。本文首先介绍了基于深度强化学习算法解决智能体自适应决策问题的研究意义,阐述了国内外深度强化学习和智能体自适应决策的研究现状,对深度学习和一些经典的强化学习算法进行了综述,进而引出了深度强化学习算法,论述了深度强化学习算法的概念和几种经典的深度强化学习算法。其次,基于Pygame、Tensorflow、Python等软件平台搭建仿真环境,以PyCharm为开发工具验证相关算法的有效性。本文搭建的无人机反拦截仿真环境来源于某涉密项目场景,主要是我方无人机从起点飞机场出发,沿途侦查的过程中需要突破对方导弹的拦截并顺利降落在目标飞机场的问题,为无人机建立了其运动学模型,使其更加接近现实场景。然后,将SAC算法应用于无人机反拦截任务,针对训练过程中出现的问题,对SAC算法进行改进,不断提升智能体的自适应决策能力。本文从改进经验回放策略入手,将SAC算法分别和优先经验回放（Prioritized Experience Replay,PER）策略、强调近期经验回放（Emphasizing Recent Experience,ERE）策略相结合,提出了 SAC+PER、SAC+ERE和SAC+PER+ERE算法,通过改变SAC算法经验回放中的“采样策略”,提高算法的学习效率和收敛速度,使得算法更稳定。最后,通过仿真实验验证了算法的有效性,并将原始SAC算法与SAC+PER、SAC+ERE和SAC+PER+ERE算法进行比较,证明改进算法具有更高的学习效率以及更好的鲁棒性。