在地面环境中人类已经生存发展了数万年。太空环境与地面环境差别巨大,最直接的影响就是其对人类探索宇宙的航天任务带来了极大的挑战,其中的低重力环境（失重或微重力）就是给人类带来众多负面影响的因素之一。从人类首次登上月球的阿波罗计划至今,给宇航员在空间环境下提供舒适的体验是载人航天任务顺利进行的前提。对此,低重力模拟技术应运而生。经过多年的发展至今,低重力模拟技术已经比较成熟,期间浮现出了诸多的相关研究成果如悬吊法、气浮法、落塔法、配重法等。其中悬吊法拥有结构实现简单、可实现自由度多、补偿精度高等优点,在诸多方案中脱颖而出成为应用最为广泛的方法之一。本文将控制策略研究对象定为悬吊法低重力模拟。针对登月宇航员在月球地面上自由行走这一任务要求,设计了利用单吊索恒拉力控制系统实现悬吊法低重力模拟的控制方案。分析了实际系统中存在的模型参数不确定性问题以及存在多个谐振频率问题,探讨了绳索、弹簧缓冲机构、力传感器等分立元件的存在对系统造成的影响,建立了用于强化学习算法仿真的环境模型。为了有效实现对单吊索恒拉力控制系统的控制,本文首次采用了强化学习方法来进行单系统控制算法设计。首次采用了深度Q网络（DQN,Deep Q-Network）算法进行了系统控制策略的学习。对于单吊索控制系统这一连续型动作空间模型,首先需要进行系统动作空间的离散化,建立一个神经网络用于拟合状态-动作值函数,用环境给出的奖励信息来评价由神经网络算出的梯度信息,从而进行训练,最终得到最优的状态-动作值网络。最后,采用了深度确定性策略梯度（DDPG,Deep Deterministic Policy Gradient）算法进行控制策略的学习。为了克服DQN算法只能用于离散型动作空间这一缺点,DDPG算法分别建立了Actor网络和Critic网络。Actor网络根据输入状态输出动作,Critic网络输出当前状态和动作（二者均为连续）的价值,其可以处理连续型的状态以及动作空间。结果表明其相较DQN算法达到了更好的控制效果。