量子系统控制的设计被认为是建立强大量子信息技术所需的关键任务,而在实际的应用中,量子系统的控制实验经常会面临不同的限制条件。对于一类控制资源有限的量子系统控制任务,本文提出利用强化学习算法解决该类问题。此外,从优化强化学习算法角度,本文提出了情绪强化学习并将其应用于量子系统控制问题中。针对基于现有强化学习算法解决量子系统控制问题,本文将待解决的量子控制任务建模为强化学习可优化解决的问题,其中根据可选择的酉操作数量的不同定义了两种控制方法:三开关控制和Bang-Bang控制。然后利用经典的强化学习算法学得令人满意的控制策略使得量子系统能够从初始态演化控制到目标态。本文设计了仿真实验,即在两种控制方法下分别利用Q学习、概率Q学习和量子强化学习算法验证了强化学习算法对于解决量子系统控制问题的有效性。针对利用新算法解决量子系统控制问题,首先,本文给出优化传统强化学习方法,即基于情绪理论设计强化学习奖励函数,提出了一种情绪强化学习算法。相比传统强化学习算法,新算法注重智能体的学习过程信息,允许智能体具备反思学习能力。然后,新算法与传统强化学习算法在迷宫环境下进行实验对比,实验结果表明新算法可以加速学习效率。最后,本文将提出的情绪强化学习算法应用于量子系统控制问题中,仿真实验表明在两种控制方法下该算法能够实现对量子系统的控制,展现了其在量子系统控制问题研究中的应用价值。