[目的]针对双体船纵向运动控制中传统控制算法对精确的数学模型和系统参数的依赖问题，提出基于深度强化学习的纵向运动控制算法。[方法]通过设计奖励函数和神经网络结构以及调整相关超参数，并与双体船模型相结合，通过实验，比较深度强化学习DDPG算法和GA-LQR法在3种不同控制方式下的控制效果，以及在不同工况和初始状态下的鲁棒性。[结果]在相同工况下，DDPG算法相对于GA-LQR算法在控制效果上略有优势，但其控制过程中的鳍角输出更为激进。在不同工况和初始状态下的仿真实验中，当系统和环境模型发生较大变化时，DDPG算法的控制效果会受到较大影响，但在系统和环境变化较小的情况下，DDPG算法表现出更好的适应性，相较于GA-LQR算法更具优势。综合分析得出，DDPG算法在性能上与GA-LQR算法表现相当。[结论]基于深度强化学习的DDPG算法在双体船在纵向运动控制中具有应用潜力，为未来复杂海况下船舶运动控制提供了新的研究方向和方法论支持。