无人机（Unmanned Aerial Vehicles,UAVs）具有体积小、成本低、可灵活部署等优点,逐渐成为许多国家在各个领域应用的重要工具。近年来,无人机在无线通信中发挥着越来越重要的作用,可以作为可移动空间基站或者移动中继协助通信,为用户建立信道质量较好的视距通信（Line-of-Sight,Lo S）链路。然而,由于无线通信具有广播性,当窃听者存在时,UAV所协助的通信系统信息安全将会受到严重威胁。目前有关保证UAV通信信息安全的方法大多适用于源与目的节点是固定的通信场景,并未考虑节点移动的情况。然而在实际问题中,有许多情况是需要研究通信节点移动下的无人机通信信息安全问题。因此保证成对移动节点之间的安全通信在无线通信领域是一个富有挑战性且具有重要意义的课题。本文在分析了现有基于UAV通信信息安全算法的基础上,对基于强化学习（Reinforcement Learning,RL）UAV通信安全算法展开了深入研究,通过在具有移动节点的UAV中继系统中引入协助干扰UAV、轨迹规划、功率分配和用户调度等措施来提高中继系统的通信安全性能。主要工作如下:对无人机移动中继系统的安全问题和中继保密通信基础理论进行了分析和研究。介绍了强化学习中的常用算法、神经网络模型以及激活函数。然后对近端策略优化（Proximal Policy Optimization,PPO）算法进行了详细说明并对其计算复杂度进行了分析。由于PPO算法具有充分利用样本且限制算法更新幅度、保证稳定收敛的特点,结合了策略梯度（Policy Gradient,PG）算法和演员评论家（Actor-Critic,AC）算法的优点,本文采用PPO算法来解决系统的保密速率最大化问题。在地面窃听者存在、并且固定的情况下,我们引入干扰UAV对窃听点进行干扰。考虑多对移动节点,中继UAV以时分双工模式对多对节点进行协助通信。以保密速率最大化作为目标函数,并结合功率约束、因果信息约束等限制条件,构建UAV信息安全传输模型。通过将其转化为马尔可夫过程,设计相应的动作和即时回报,采用PPO算法得到了优化结果。在不同情况下的仿真实验结果表明,我们提出的算法具有更高的保密速率,在小尺度和大尺度两种通信场景下都能获得更好的安全性能。针对存在空中移动窃听者的情况,中继UAV通过用户调度对多对移动节点进行协助通信。结合功率分配、轨迹优化和用户调度等,构建中继系统信息保密率最大化模型,并将其转化为马尔可夫过程。通过设计相应的动作和即时回报,利用PPO算法对模型进行求解。在不同情况下的仿真结果表明,所提出的算法能够在兼具良好的公平性的同时也实现更高的系统保密速率。