社区矫正制度是国家治理体系的重要组成部分,既是顺应国际化的趋势,也是为贯彻落实我国宽严相济的刑事政策而进行的一项刑罚执行制度改革。快速准确的对矫正人员信息分析的需求增加了社区矫正工作人员的压力,如何实现对矫正人员数据的自动的精准分析非常重要。当前矫正人员信息存在的数据量大、隐匿性强的特点。传统的社区矫正模式采取司法人员人工进行制定矫正策略的方式,存在社区矫正力量不足、矫正水平不一致等问题。为解决各地市矫正水平的差异问题,提高矫正策略的质量,提出了运用相关的技术实现社区矫正工作的信息化、智能化的要求。传统的社区矫正模式采取人工制定矫正策略的方式,存在主观性强,司法水平不一致等问题。强化学习具有自主学习的特点,是一种能够识别数据模式的极其高效的方式,可以通过对矫正策略的学习发现矫正策略与矫正人员信息中的联系。由于矫正人员信息的数据量大,人工制定矫正策略的方式效率较低,推荐系统能够对大量的数据进行分析,实现矫正策略合理的推荐。在矫正策略的推荐过程中,准确刻画矫正人员的用户画像和心理特征具有重要价值,如何挖掘出在不同情况下,把矫正人员的相关信息融入推荐的过程中,实现矫正人员的矫正方案的个性化推荐,并实现犯罪影响因子的研究基础上促进司法社区工作的跨域式升级。本文构建了基于子空间聚类方法进行矫正方案的准确匹配方法,并在此基础上,构建了基于强化学习的矫正方案的精确推荐,为提高司法社区的工作方式方法提供思路。本文针对矫正人员的个性化矫正策略推荐问题,基于实际场景,结合矫正人员的数据的特点,研究了一种结合矫正人员特征分析的矫正策略的推荐算法。主要的工作包含以下几点:（1）提出了一种基于特征子空间的矫正人员状态信息聚类算法。本文将高维度数据搜索问题局部化在相关维度中解决矫正策略标签的自动标记的问题。在社会学理论指导下设计数据驱动的统计评价标准来评价这些子空间的有效性,通过使用Boost集成树算法搜索特征重要性,进一步发现特征子空间聚类模式,将案例知识分解为不同的多个子案例知识,从而提升矫正策略备选推荐方案的准确性。（2）提出了一种基于深度强化学习的矫正策略推荐算法。本文对矫正人员信息进行深度挖掘,构建矫正人员的特征合集,利用领域知识建立矫正策略的评价准则,采用改进的强化学习算法对矫正人员特征和矫正策略特征进行学习,并采用加权的方式进行决策融合进行矫正方案的推荐。（3）矫正策略推荐系统的实现。通过调研和对该系统的需求进行分析,利用MVC架构、前端和后端技术搭建了矫正策略推荐系统。对系统架构采用分层设计,包括数据层、业务层和用户层。对数据存储的底层数据库采用Mysql数据库,通过接口使前端的网页和矫正策略推荐算法相连接,最终使系统稳定的运行。本文依托国家重点研发计划“研究基于社会状态监测大数据的假释、暂予监外执行人员的矫正智能决策技术”,将结合大数据矫正人员数据采集方式,在标签自动标记和矫正策略智能决策技术上形成突破,使矫正方案的制定更加的智能、精准,推动社区矫正领域问题的解决。本文依照项目中矫正人员的数据,设计实验实现本文的算法,并通过不同的算法进行对比,实验结果表明本文的算法的有效性。