尽管现在的强化学习技术比较成熟,但是由于训练过程无任何先验知识,随着任务复杂度提高,训练时间也随之增长,这就限制了强化学习技术应用的任务场景。因此,将相似任务的训练结果作为先验知识模型提供给新的强化学习任务,从而解决强化学习对大量训练样本的依赖问题,提高强化学习算法的可用性和普适性,具有重要的理论意义和实际意义。针对上述研究点,本文开展了以下研究与创新:（1）提出基于先验知识模型的策略迁移方法,降低算法框架对训练样本的依赖;（2）提出应用先验知识模型的算法框架,保证强化学习训练经验的可复用性;（3）提出了基于动力学模型的任务相似度计算方法,保证策略迁移的有效性。本文首先根据基于模型和无模型的强化学习算法的训练特点,设计了先验知识模型。先验知识模型通过模仿学习将基于模型控制的策略迁移至神经网络,作为无模型算法的初始策略,进行策略优化。先验知识模型能够将基于模型算法的训练成果引入无模型算法中,与随机策略初始化相比,能有效降低达到相同任务表现所需的训练样本。针对源任务与目标任务相同的场景,本文基于先验知识模型的理论研究,实现了整合基于模型和无模型的强化学习算法的各自优势的算法框架。该算法框架为基于模型和无模型算法的组合使用提供了稳健方法,在模拟环境的智能体前进姿态学习任务中实现了良好的效果。与随机策略初始化相比,本文的算法框架最高达到了3倍的样本效率。针对低维源任务与高维目标任务的场景,本文进一步提出了基于动力学模型的任务相似度计算方法。在本文的算法框架中,不同任务的动力学模型基于相同隐藏层结构的神经网络实现。通过计算隐藏层权重矩阵的差异程度,可以比较源任务与目标任务的动力学模型的相似程度,进而可以获得两者的任务相似度。任务相似度可以作为低维先验知识模型的组合权重,保证了利用算法框架进行相似任务间知识迁移的可靠性。最后,本文在模拟环境的前进姿态学习实验中,测试了不同维度的任务训练经验迁移效果,验证了本文设计实现的基于先验知识模型的强化学习控制算法的实用性。与随机策略初始化相比,本文的算法框架最高达到了2倍的样本效率。