数据驱动的决策方案评估与优化受到了研究者们的广泛关注,其在实际应用中具有重要的意义,例如最优化药品的服用剂量以达到精准医疗的目的。通过随机化实验收集数据来学习最优决策往往时效低、成本高。因此,学者们通常基于大规模观测性数据来评估和优化决策方案,但是观测性数据普遍存在着选择性偏差。已有研究大多采用倾向分数法平衡观测性数据,从而减小偏差。然而,当决策方案为连续性情形时,倾向分数的估计往往很不精确,这严重影响了决策方案的评估与优化,使得最终结果表现不佳。为了解决优化连续性决策时样本选择性偏差的问题,本文提出直接优化观测性数据样本权重的思路,构建与已有研究不同的决策评估方法。我们提出两类密切相关的决策方案效果估计量,即平衡的权重估计量(balance-w)和平衡的回归调整估计量(balance-ra),并进一步阐明了两类估计量相应的决策优化方法,同步得出了最优的样本权重与决策。在多种生成机制不同的模拟数据集上,本文提出的评估与优化方法都显著好于已有方法,估计量更加准确,得出的决策使产出结果最大。另外,将本文提出的决策方案优化方法应用于精准医疗领域的真实数据集(Warfarin dosing),发现本文方法预测出的最优决策与真实决策取值更加接近,进一步说明方法的有效性和优越性。