得益于最近几年深度神经网络的发展,强化学习,特别是结合了深度神经网络的深度强化学习,因高效率而备受关注,已经在各领域中都获得了广泛的使用。然而,相关方法很难在安全攸关的系统中单独使用,因为它们的未知性,特别是运用了深度神经网络的深度强化学习,其网络的黑盒特性,使得它不能够保证系统的安全。另一方面,由于安全攸关系统大多都是混合系统,这使得人工设计和开发其中的某些核心部分时会非常复杂,若是能够引入强化学习方法,可以很大程度上提升工程的效率。可信强化学习指的是使用后不仅可以保证系统的安全性,还可以充分利用强化学习算法带来的高效性的这类强化学习方法。如何将可信强化学习运用到安全攸关的系统是一个充满挑战的问题。目前已经有一些方法将强化学习引入到了安全攸关系统中,包括使用约束、探索部分状态空间等,然而这些方法只能降低风险,并不能完全保证安全。一个比上述方法更好、更加现代的方法,是将强化学习与基于严谨的数学理论的形式化方法相结合,来保障系统的安全。然而,已有的此类方法还存在缺陷,在应对不断变化的复杂环境时会降低效率。本文主要有以下贡献:（1）提出了时控微分动态逻辑来表达系统的性质。该逻辑从时间的角度扩展了微分动态逻辑,和原本的逻辑相比,时控微分动态逻辑是一个更加灵活的逻辑,特别是用于解决基于通信的系统之上的问题。（2）基于时控微分动态逻辑,提出了一个可信学习框架。该框架可以将用时控微分动态逻辑描述的系统表达式转化为运行时监视器,同时结合本文提出的可信混合控制算法一起使用,来保障系统的安全性和高效性。（3）设计了基于通信的自主控制系统模型,并在此基础上设计了针对本文提出的可信学习框架的实验,用以验证其可行性和有效性。本文的意义在于提出了一种新的逻辑来描述混合系统,同时利用本文提出的算法和一些已有的工具,建立了一个可将可信强化学习运用于安全攸关混合系统的框架,并在效率上突破了目前最好的算法。