随着计算机破译能力的不断提高,可见光通信的隐私保护成为制约其发展的重要问题。友好干扰技术通过协作通信防止窃听,但在实际动态通信环境下难以动态优化其友好干扰策略,存在隐私泄露风险。因此,论文研究可见光通信系统的友好干扰和波束形成机制,提高其隐私保护水平。首先,论文提出一种基于强化学习的可见光通信友好干扰方案,挖掘信道状态、能量损耗及误码率等信息用于优化干扰策略,均衡提高友好干扰协作动态通信场景下的保密速率和准确率。在此基础上,提出一种基于深度强化学习的友好干扰方案,采用神经网络提取信道特征并压缩系统状态空间,设计记忆字典存储历史通信经验,强化相似信道状态之间的关联,加速学习并进一步提升系统保密速率。基于4个友好干扰机的仿真结果表明,所提基于强化学习干扰方案相比于现有的鲁棒友好干扰方案提升15.4%的保密速率,降低27.1%的误码率;基于深度强化学习的方案进一步减少39.1%的能量损耗,降低83.6%的误码率。针对多输入单输出的可见光通信系统,论文提出一种基于强化学习的波束形成控制策略,基于信道状态、误码率和保密速率等信息优化波束形成策略,解决传统波束形成方案无法实现最优策略引发的隐私泄露,提升系统保密性和通信可靠性。针对大规模的多发单收系统,提出一种基于深度强化学习的波束形成方案,采用深度神经网络模拟高维的连续波束形成策略空间,减少波束形成矢量和信道状态的量化损失,进一步优化波束形成策略学习速度和可见光通信质量。基于9盏发光二极管的仿真结果表明,所提基于强化学习波束形成方案的误码率降低为对比方案的十分之一,保密速率提升91.34%;基于深度强化学习波束形成方案进一步提高29.7%的保密速率,降低33.3%的误码率。