针对区块链中工作量证明共识机制(Proof of Work,PoW)下区块截留攻击导致的挖矿困境问题,将矿池间的博弈行为视作迭代的囚徒困境模型(Iterative Prisoner’s Dilemma,IPD),采用深度强化学习的策略梯度(policy gradient)算法研究IPD的策略选择。利用该算法将每个矿池视为独立的智能体(agent),将矿工的潜入率量化为强化学习中的行为分布,通过policy gradient中的策略网络对agent的行为进行预测和优化,最大化矿工的人均收益,并通过模拟实验验证了policy gradient算法的有效性。实验发现,前期矿池处于相互攻击状态,平均收益小于1,出现了纳什均衡的问题;经过policy gradient算法的自我调整后,矿池由相互攻击转变为相互合作,双方的潜入率趋于0,人均收益趋于1。结果表明,policy gradient算法可以解决挖矿困境的纳什均衡问题,最大化矿池人均收益。