将深度学习算法融入到强化学习的游戏图像处理中是适宜的做法,也使得对图像游戏的研究更加深入。然而运用深度强化学习算法来处理图像游戏也是渐进发展的。最开始的算法是运用强化学习的马尔科夫决策过程与Q学习算法并与深度学习的卷积神经网络,还有随机经验重放算法共同构成了深度Q学习随机经验重放算法。后来又演化出了深度Q学习优先经验重放算法,即把一些认为重要的重放单元更多的拿出来进行学习而减少那些不重要的重放单元学习的机率。现在可以通过改进算法实现比之前的算法更优的效果。根据算法分析,一部分经验比其它经验要对参数的训练产生更大的作用。之前的算法还不能很好的满足智能体学习图像游戏获得高成绩的要求。本文提出了一种改进深度Q学习优先经验重放算法,通过改变优先级到概率的映射函数,并对比之前算法的单一映射函数,最后找到了将重要的优先重放单元更高概率的进行重放学习的映射函数,使智能体能够学习到最优的游戏策略并有效提升游戏成绩。在实验中首先进行改进算法的直观模型策略分析,然后进行各算法CNN网络层数架构的选择,代价函数分析,效率分析以及各算法的游戏分数对比。最后通过测试结果可以证明了本文中的新算法可以使智能体在图像游戏中更加有效的决策从而实现赢得更高得分同时花费更少时间的目标。