针对工业无线网络环境中,多种无线网络协议并存,终端节点随机移动,接入点附近终端节点数量不断变化的场景,本文设计并实现了运行于控制节点的一种基于强化学习的网络优化方案。由于工业网络中各个终端节点的业务类型不同,在融合网络的场景下网络间通常无法进行数据交换,无法智能的选择网络接入方案,但可以通过设定一个控制节点,来控制当前区域内的网络接入方式。随着机器学习技术的发展,将新技术应用于实际的无线网络接入选择中,通过机器对网络环境进行判断并自主选择终端节点网络接入方式成为一种可行的方案。首先,本文设计了一种网络质量数据采集模型,通过分析不同网络协议的特点,综合分析各个协议共有的指标提出一种网络质量参数的测定方式,建立一个环境代理模块,该模块除了用于对网络质量数据的收集,还可以对决策网络部分做出的决策进行反馈,执行决策网络发出的指令。其次,本文提出一种基于DDQN的网络协议的切换控制架构,解决DQN网络会产生的过高估计问题,提升了在动态网络环境下选择无线网络协议的稳定性,减少乒乓效应,降低平均能耗。架构对输入数据,动作空间,奖励函数的进行了设定。根据节点承担的业务不同,对不同业务节点进行分类,采用层次分析法求取权重,定义不同业务类型划分方式,通过节点随机移动来模拟节点冲突,使得算法能够根据动态网络环境反馈网络协议选择可靠结果。最后,本文在NS3网络仿真平台上完成上述算法的环境模型设计与仿真,通过NS3平台反馈环境网络质量,执行算法选择结果。通过仿真实验,可以看出在DDQN算法预测下节点吞吐量能够稳定在最大值,优化方案相较于其他强化学习算法更合适,节点能耗均值降低。