# 书籍

> 来源：https://dqn.cn/resources/books ｜ 作者：DQN.CN 编辑部 ｜ 发布：2026-10-30 ｜ 更新：2026-10-30 ｜ 许可：CC BY-NC-SA 4.0（文字）/ MIT（代码）

以下是强化学习领域最常被推荐的书籍。如果只读一本，首选 Sutton 与 Barto 的《Reinforcement Learning: An Introduction》，它是领域内公认的“圣经”，作者在官网免费提供了第二版 PDF。其余书籍可根据你的方向（理论、深度 RL、决策优化）选读。

## 经典书籍

| 书名 | 作者 | 说明 |
| --- | --- | --- |
| *Reinforcement Learning: An Introduction*（第 2 版，2018） | Richard S. Sutton, Andrew G. Barto | 领域标准教材，[官网免费 PDF](http://incompleteideas.net/book/the-book-2nd.html) |
| *Algorithms for Reinforcement Learning*（2010） | Csaba Szepesvári | 精炼的理论综述，[作者主页](https://sites.ualberta.ca/~szepesva/rlbook.html) |
| *Reinforcement Learning and Optimal Control*（2019） | Dimitri P. Bertsekas | 从最优控制与动态规划视角讲 RL，[作者主页](https://web.mit.edu/dimitrib/www/RLbook.html) |
| *Deep Learning*（2016） | Ian Goodfellow, Yoshua Bengio, Aaron Courville | 深度学习基础教材，[在线阅读](https://www.deeplearningbook.org/) |

## 阅读顺序建议

1. **入门**：先读 Sutton & Barto 第 1–6 章（基础概念、多臂老虎机、MDP、动态规划、蒙特卡洛、TD 学习），对应本站 [入门教程](https://dqn.cn/basics/)。
2. **补深度学习**：不熟悉神经网络的读者，先读 *Deep Learning* 第 6–8 章（前馈网络、正则化、优化）。
3. **深度强化学习**：读 Sutton & Barto 第 9–13 章（函数近似、资格迹、策略梯度），同时配合 [Spinning Up](https://spinningup.openai.com/) 和本站 [进阶教程](https://dqn.cn/advanced/)。
4. **理论提升**：对收敛性、复杂度感兴趣，再读 Szepesvári 或 Bertsekas 的书。

## 中文书籍推荐

| 书名 | 作者 / 译者 | 说明 |
| --- | --- | --- |
| 《强化学习（第2版）》 | Sutton、Barto 著，俞凯 等译，电子工业出版社，2019 | Sutton & Barto 第 2 版的中译本 |
| 《动手学强化学习》 | 张伟楠、沈键、俞勇 著，人民邮电出版社，2022 | 理论与代码结合，配套 [在线版本](https://hrl.boyuai.com/) |
| 《Easy RL：强化学习教程》 | 王琦、杨毅远、江季 著，人民邮电出版社，2022 | Datawhale 开源教程整理成书，[GitHub](https://github.com/datawhalechina/easy-rl) |
| 《深度强化学习》 | 王树森、黎彧君、张志华 著，人民邮电出版社，2022 | 系统讲解深度强化学习，作者的课程资料见 [GitHub](https://github.com/wangshusen/DRL) |