大尺寸的薄膜结构因质量轻、成本低、面积大、折叠体积小、展开可靠性高等优点,在航天领域的应用愈来愈广泛。但是大型薄膜很容易因为空间环境中的振动与冲击、空间飞行器变轨时带来的惯性力等因素产生难以消减的振动,影响薄膜自身及航天器的正常工作,因此关于薄膜的振动控制方面引起了广泛关注与研究。本课题从薄膜边界振动控制的研究入手,基于ABAQUS软件建立了大尺寸薄膜自由振动的有限元模型。以耗散薄膜振动能量为目的,通过观察边界点的振幅情况选择边界横向作动方式来对薄膜进行振动控制。对薄膜模型使用子程序接口VUAMP进行速度负反馈方式的控制仿真,选择出了既能抑振,又能防止振动传入的作动点,验证该种作动方式的有效性,后续优化了作动点的布局。仿真结果表明该种作动方式能够高效抑制薄膜振动。本课题将控制薄膜振动转化为强化学习问题,使用python语言结合Tensorflow框架构建了深度强化学习智能体。该智能体能通过训练、学习与探索逐渐掌握控制薄膜振动的策略。为了验证强化学习控制方法的有效性,需要建立地面模拟试验系统,本课题对该试验系统进行了系统框架、程序与通信的设计,使该系统能够实现高度自动化的实验,使强化学习智能体经过自主学习、训练后成为薄膜振动抑制专家。最后,为了验证强化学习控制方法的有效性,使用假设模态法建立了薄膜的有限元模型,在该模型的多阶振型上分别进行基于强化学习控制方法的仿真,该方法在智能体训练完成后都实现了高效的控制效果,同时改变多种类型的条件,强化学习方法均有不错的表现。将强化学习方法与速度负反馈方法在同条件下进行对比,仿真结果表明强化学习在振动控制的各个阶段都表现得更为高效,由此展现出强化学习方法的优势。