近年来,国家在大力推动城市化进程,城市内高楼大厦鳞次栉比,但建筑物的能耗浪费一直是个严峻问题。由于中央空调系统能耗是建筑物能耗内部所占比例最高的一项,关于相关的控制策略早已确立,但下一时刻的中央空调能耗往往是未知的,使得控制策略无法及时调整以达到最优状态,进而无法更好的实现节能的目的。因此,本文利用深度强化学习预测下一时刻中央空调的能耗,通过最优控制策略,来实现空调系统的节能。在中央空调优化控制问题中,本文在深度强化学习基础上,从如下三个方面进行展开研究:（1）针对经典DQN（Deep Q-Network）算法在训练初期收敛速度慢的问题,本章提出一种新的基于函数逼近协同更新的DQN算法。该算法在经典的DQN算法基础上融合了线性函数方法,在训练的初期利用线性函数逼近器来代替神经网络中的行为值函数网络,并提出一种离策略值函数更新规则,与DQN协同更新值函数参数,加快神经网络的参数优化,进而提高算法的收敛速度。将改进后的算法与DQN算法用于Cart Pole和Mountain Car问题,实验结果表明,改进后的算法缩短了收敛时间,具有更好的收敛性。（2）通过分析中央空调系统的能耗影响因素、实际数据收集等带来的问题出发,确立中央空调系统能耗预测的相关参数。由于数据收集过程中可能会出现断电、死机等原因带来的数据缺失、异常等情况,因此需要对实际数据进行预处理,避免由此带来预测不准确。利用强化学习对中央空调能耗预测问题进行建模,同时采用第一部分提出的DQN-LF算法进行能耗预测。最后基于某学院记载的中央空调能耗数据进行实验。实验结果表明,基于深度强化学习的中央空调系统的能耗预测方法预测精度较高,可以为中央空调系统优化策略提供指导。（3）针对中央空调系统的冷却水系统能耗占比中央空调的主要部分,提出一种基于深度强化学习中央空调优化控制。首先对中央空调系统进行分析,并确立优化控制的主要参数,即冷却水系统的流量和冷却塔风量的比例,根据其工作状态确立设备运行的约束条件,建立优化控制的目标。利用深度强化学习求解下一时刻最优控制策略时,由于下一时刻能耗未知,引入第四章DQN-LF中央空调能耗预测来弥补下一时刻能耗。通过深度强化学习求解到最优控制策略,及时的调整中央空调控制策略,实现中央空调的能耗节约。