近年来,人工智能（Artificial Intelligence,AI）研究迎来了新一波热潮,人工智能技术进入了一个崭新的阶段。以深度神经网络为代表的深度强化学习技术（Deep Reinforcement Learning,DRL）开始越来越多地被用于科学研究和实际生产。基于深度强化学习的人工智能决策系统在医疗、工业生产等领域具有巨大的应用前景。尽管如此,目前的研究工作仍存在一些问题,如深度学习模型训练效率低下和决策系统研究中没有充分考虑环境变化对模型性能影响的程度等。针对这些问题,本文提出了基于深度强化学习的多策略协同决策思想,希望提升决策模型的训练效率和在变化环境中的性能稳定性。本文的主要研究工作如下:1、结合目前的研究成果,阐述了深度强化学习的基本原理和研究进展,分析了常见深度强化学习算法的优劣势,指出了目前人工智能决策系统研究中的困难点。2、针对目前决策系统研究中存在的训练效率低下、决策环境变化对模型性能的影响考虑不足等问题,本文分别设计了机器决策模型和人工决策模型,并基于集成学习的思想提出了一种将人类决策思维和机器决策思维结合的多策略协同决策算法。3、在多策略协同决策的基础上,将多种深度学习模型与人工决策模型进行融合以提升决策模型的性能,实验结果显示采用卷积神经网络和残差网络结合的多策略协同决策模型明显优于仅使用卷积神经网络的模型。4、基于象棋场景设计并实现了一个人工智能决策系统,通过该系统对人工决策算法中的各项影响因素进行了性能测试和排序,给出了局面评价公式设计的理论依据。在此基础上,本文对多策略协同决策算法和传统的深度强化学习算法进行了性能对比,实验结果表明,多策略协同决策算法在模型训练速度、决策模型棋力、模型输出结果的误差以及模型对环境变化的适应能力四个方面都优于传统的仅基于神经网络的深度强化学习算法。