量子系统控制的设计被认为是建立强大量子信息技术的必要需求,但量子系统的控制实验经常会面临不同的限制条件,主要包括限制采用最小的控制量（只要求有界或者控制形式无限制）以及在最短的时间实现控制。量子态制备是量子系统控制领域的关键性任务,本文利用强化学习算法解决有限条件下高保真度量子态制备问题,主要工作内容如下:（1）提出了一种基于增强强化学习的量子态制备方法。已有基于深度强化学习的量子态制备方法的Q值评估网络性能差,采用随机抽样的形式更新网络参数,导致在有限条件下量子态制备需要的量子门数量大,保真度低。针对上述问题,以单量子比特量子态制备任务为例,设计新型量子态价值评估网络,预测执行量子操作后的最优Q值,减少所需量子门数量;另外,采用基于样本优先级的参数更新方式,加速算法收敛速度,快速学到最优的控制策略,从而提高最终量子态的保真度。仿真实验分别利用Q-learning、策略梯度和深度强化学习算法验证了解决量子态制备问题的有效性,与其他基于强化学习的量子态制备方法相比,提出的算法在收敛速度以及达到接近于1的保真度所需的迭代次数两方面均有不同程度的改进。（2）提出了一种基于差异性驱动强化学习的量子态制备方法。双量子比特系统状态空间大,已有的量子态制备方法多采用阶梯奖励函数,导致收敛速度慢,难以在有限条件下高保真度地制备所需的目标量子态。针对上述问题,以双量子比特系统量子态制备任务为例,设计加权的差异性动态奖励函数,帮助算法快速获得最大化的预期累积奖励;另外,采用自适应ε-greedy动作选择策略,一定程度上实现探索与利用的平衡,从而提高最终量子态的保真度。仿真实验结果表明,提出的算法可以在有限条件下高保真度的制备所需目标量子态;与其他算法相比,在收敛速度和最终量子态的保真度上有不同程度的改进。