最近,深度强化学习在解决序贯控制问题上成果颇丰。在现实世界中,环境状态的表征方式往往是智能体当前的视觉信息,这也是强化学习任务中一类经典环境的做法——以图像帧为状态表征。利用神经网络提取特征的能力以及泛化能力,深度强化学习在一些以图像为状态表征的问题上表现突出。但高维状态空间下深度强化学习算法的大多数应用仍需要进行大量试验才能获得竞争性结果。如果智能体从高维度的观察中学习到有用的语义表示,那么基于这些语义特征的控制算法将大大提高数据效率。解耦表征是将高维像素特征映射到低维隐变量的同时,能够将原始图像中的高阶特征映射到隐变量不同的维度。本论文提出了一种基于解耦表征的强化学习算法,能够提取智能体当前状态下与任务密切相关的高阶特征,再将这些特征信息作为强化学习策略的输入,来达到提升采样效率的效果。论文首先研究了环境中不随时间改变的特征,并利用此信息对隐变量添加约束,使编码生成的隐变量能够包含一定的语义结构特征。策略网络再依据高阶特征进行决策,从而提升强化学习的训练效率。论文在多个任务下通过实验证明了基于解耦表征的强化学习算法能够提升算法的采样效率和可解释性。