随着强化学习的不断发展,强化学习的性能获得了极大的提升,并在工业生活中得到了越来越广泛的应用。强化学习的基本行为模式是智能体和环境进行持续不间断的交互,从而得到来自环境的奖励反馈信息,并利用这些交互信息数据对算法模型进行训练优化。然而,目前的强化学习中仍然存在着诸多的问题,例如强化学习算法对经验数据的利用率低的问题。在多智能体系统中,任务的训练难度会随着智能体数量的增多而越来越困难,产生奖励稀疏的问题。从智能体的经验数据中挖掘潜在的意图信息可以辅助智能体的训练。本文从意图理解的角度出发,针对强化学习中对经验数据的利用率不足的问题,提出了基于意图理解的强化学习方法。本文的主要工作如下:（1）本文提出了一个意图理解模型。该模型通过从智能体的轨迹数据进行分析,获得轨迹数据本身的表征信息,轨迹数据间的结构表征,以及智能体各个时间步之间的时序关系信息,并将这些信息融合,从而构建智能体轨迹意图信息的识别与理解。（2）提出了单智能体意图理解强化学习算法。该算法利用意图理解模型对智能体的每一个时间步的经验数据进行意图理解,然后利用意图理解信息对经验数据进行分类存储。在训练过程中根据智能体的训练情况,从不同的意图经验池中抽取不同比例的经验数据进行训练,实现算法模型的训练从泛化训练逐步过渡到特化训练。实验结果表明,该方法可以缓解强化学习中主要样本效率不足,对关键经验数据样本的利用率过低的问题。（3）提出了多智能体意图理解强化学习算法。该算法利用意图理解模型在智能体数量少、难度低的环境中进行预训练,生成多智能体系统中的意图理解模型。并将此意图理解模型作为辅助知识,应用到智能体数量更多、难度更高的环境中,从而加速多智能体算法的训练。实验结果表明,该方法可以缓解强化学习中奖励稀疏的问题,实现算法模型从简单任务到复杂任务的学习,提升模型的泛化能力。