人工智能时代下,强化学习是赋予智能体在开放多变的物理环境中具有自主决策能力的重要手段。然而,由于强化学习在训练过程中需要智能体与环境进行大量交互才能学得有效策略,导致其在众多真实物理场景中难以应用。考虑到模拟器具有采样成本低廉的特点,所以我们借助模拟器进行策略的辅助训练。而复杂多变的开放环境与难以避免的仿真误差增加了策略重用的难度,使得模拟器中训练的策略在开放目标环境中执行时的表现性能常常大打折扣,以致无法完成任务目标。基于此,本文提出对执行时策略进行实时评估的方法,以判断当前状态场景是否适合由策略执行来完成任务目标,对于不适合策略执行的场景,对人类发起预警,转交人类专家接手处理当前场景。进一步地,本文提出执行时策略演进方法,使模拟器中训练的策略可以根据目标环境进行自我演进,从而最终适配目标环境,以完成任务目标。在对开放环境下的执行时策略评估与策略演进方法中的核心问题进行展开研究后,取得如下成果:1.在策略执行时评估方面,针对开放环境下由模拟器的仿真误差所带来的目标环境中策略重用时表现性能大幅下降的问题,提出基于生成对抗学习的策略置信度评估方法（CEPO）,其可以使策略在目标环境中执行时,由置信度网络和策略同时实时作用于目标环境状态,并由置信度网络给出当前环境状态的置信度评估,当置信度评估大于阈值时,由策略对当前状态进行动作控制,而当置信度评估小于阈值时,则对人类发起预警,转由人类专家对当前状态执行动作控制,尤其适用于对安全度和稳定性要求较高的实际复杂场景（如自动驾驶）。经实验验证,该方法可以有效对策略表现较好的状态给出较高置信度评估值,对策略表现较差或从未见过的环境状态给出较低评估值,使其在确保安全性和稳定性的前提下,一定程度上释放人类双手,适合人机协作的工作方式。2.在策略演进方面,针对策略评估后策略在目标环境中评估较差的问题,提出基于动作校正的策略演进方法（POSEC）,其可以在目标环境中由智能体仅执行几个校正动作序列,便可以感知当前环境,并提取环境特征用以指导策略在重用时的自我演进,以快速适配当前目标环境,从而在目标环境中可以直接执行有效的动作控制以完成任务。经实验验证,在多种不同参数配置的环境中,相比于直接在目标环境中从零开始训练策略而言（百万级数量采样）,该方法在策略重用时仅需要在目标环境中进行5个采样,便可以快速演进出有效策略。同时,该方法在经过多次重复实验后,可以证实校正动作的稳定性和有效性,经演进后的策略也可以作为更好的初始策略进行再训练,以继续提升目标环境下的策略性能。