伴随着移动通信技术的快速发展,以及用户个性化需求的日益剧增,各大运营商相继为用户提供了各式各样的无线接入网络。将这些具有不同特性的无线接入技术融为一体就是异构无线接入网络,由于异构无线接入网络能经济有效地提升网络容量,为用户提供多样化的网络服务,因此,现阶段无线接入网络具有很强的异构性。在未来的异构无线网络场景中,用户的通信设备将包含大量的无线接口,导致接入网选择变得愈发繁琐。因此,设计出合理高效的接入网选择算法帮助用户判定最佳的接入网,将是未来维护用户网络体验的关键所在,也是学术界的研究热点。首先,本文对异构无线网络中的组成和关键技术展开详细介绍,并对主流的接入网选择算法进行分类和原理阐述。然后根据国内外强化学习算法的最新研究成果,将强化学习算法和接入网选择问题相结合,针对异构无线网络场景中网络总吞吐量这个关键属性,提出了一种基于强化学习的接入网选择算法。该算法通过合理的建模方式,和奖励塑形、值函数逼近、策略修正模块的设计,克服了传统强化学习算法在异构网络场景中训练速度慢的弊端,保障了算法在复杂网络场景中的性能,通过对不同时刻之间网络总吞吐量的变化信息进行学习,判定出网络场景中用户的最佳接入网选择,并制定出高效的网络切换策略。该算法既可以帮助网络运营商维护网络的总吞吐量,也可以将算法中对网络的长期收益估计推荐给用户,辅助用户进行接入网选择。最后,本文选取4G、5G和WLAN这三个关键无线接入技术,搭建基于Python软件的异构网络场景,设计合理的仿真实验对本文提出的算法性能和关键超参数的选择进行分析。仿真结果表明,本本文算法判定的最佳接入网选择方案能获得较高的网络总吞吐量,并且在用户数和网络数较多的场景中依旧能保持优异的性能。