复杂经济系统理论以动态的、复杂的观点来研究社会经济系统,是一种更全面的、建立在非均衡基础上的经济理论。目前对于复杂经济系统的研究主要是通过仿真的方式进行。但是在传统仿真技术中,系统内经济主体行为是基于给定规则,这就难于解释经济系统中反馈与涌现等现象,因此对复杂经济系统研究的支撑不够。对此,本课题设计了一个多主体的经济系统仿真模型,同时引入深度强化神经网络对系统中的经济主体的行为进行控制。针对经济系统的特点,本文在网络层中引入了循环神经网络层,使得经济主体的智能性在网络训练过程中不断提高。宏观上体现为经济主体的运营状况在训练过程中逐渐改善,展现出对环境的适应性。基于深度强化学习的主体行为策略避免了传统研究手段中主体行为策略固定死板的问题。本文主要研究工作和结论如下:（1）设计一种多主体的经济系统模型——以复杂经济系统理论为指导,本文设计了一个含有多主体的经济系统模型。系统内具有银行和企业两种类型的经济主体,代表对现实环境中经济主体的高度抽象。系统中同类经济主体间,不同类型的经济主体间都存在各种物资流动。（2）提出一种基于Deep Recurrent Q-Network（DRQN）的决策模型——本文中,负责银行与企业行为决策的机构分别称为银行家和企业家,其分别利用两类网络B＿DRQN和E＿DRQN展开决策。所有的B＿DRQN共享一个经验池,而所有的E＿DRQN亦是如此。根据所提出的决策模型,本文定义了不同决策模型的输入向量,输出向量和决策制订,以及奖励策略等。（3）进行仿真实验,对实验结果进行分析——本文在上述基础上进行了仿真实验,研究了采用基于DRQN的决策模型以及不同决策模型的经济主体在训练过程的表现,和奖励的设计对决策模型的影响。综合实验结果得出以下结论,采用基于DRQN的决策模型的经济主体具有更好的表现,在宏观上体现为系统中经济主体的存活时间更加长久。同时基于DRQN的决策模型的稳定性也更好。实验结果说明了基于DRQN的仿真建模不仅丰富了经济系统建模的手段,也是一种自治的、贴近现实经济系统的建模方法,可以在研究复杂经济系统的工作中发挥重要的作用。