强化学习在信息论、机器人、自动控制与无人驾驶等领域已经取得了非常出色的应用成果。通过对强化学习的不断深入研究,部分强化学习算法被证明具备一定解决复杂问题的能力。而强化学习算法往往面对复杂多变的应用场景,算法的稳定性直接影响了算法的实际运行结果。目前,对强化学习算法的稳定性评估已经取得了较好的研究成果。现有的工作大多通过对算法施加不同种类的算法攻击与修改算法超参数来完成算法稳定性的评估。但上述工作的关注点并非算法运行过程本身,而是更改了算法运行的外部与内部环境,并未对算法本身正常运行训练过程进行稳定性度量。针对以上不足,本文基于强化学习主流的A3C算法提出了两种稳定性评估方法,主要研究内容和贡献如下:（1）针对有限状态空间场景提出了基于时间基准的稳定性静态评估方法。通过对有限状态空间进行完整表征,根据五种采样间隔实现对训练过程中动作概率偏差矩阵偏度和差分矩阵稀疏度的数据采样,并对偏度向量与稀疏度向量进行不同!值的综合正则化计算,得出算法的稳定性"评分,以此作为稳定性的数学度量。最终与基于专家经验的模型真实收敛情况进行排序结果对比,得出稳定性静态评估的准确率。（2）针对无限状态空间场景提出了基于差异系数的稳定性动态评估方法。利用等间距采样将无限状态空间转化为有限状态空间,在五种不同初始采样间隔下,观察相邻采样时刻动作概率偏差矩阵差异系数的变化情况,动态改变采样间隔完成数据采样。根据稳定性"评分与模型真实收敛情况的对比结果,得出动态评估的准确率。针对上述所提出的方法,本文采用Gym-Maze迷宫寻路游戏与Mountain Car小车爬坡游戏进行实验验证。在实验过程中,本文设置多组学习率与agent数,结合不同!计算值,综合对A3C算法进行稳定性评估,得到对应算法稳定性最佳的一组学习率与agent数。在静态评估工作中,稳定性评估最高准确率达到50%;在动态评估工作中,稳定性评估准确率最高达到83.3%,较好地完成了本文的研究目标。