强化学习被广泛的应用在多个领域：在无人驾驶领域，轨迹优化，运动规划，动态路径，最优控制等自动驾驶的任务能够结合强化学习。在工业自动化中，基于强化学习的机器人能够被用于执行各种任务。在金融贸易中，强化学习能够真正实现机器的自动决策，保证智能体正确的做出持有、购买、出售等决定。在自然语言处理中，强化学习能够用于文本摘要、问答等任务。在医疗保健中，强化学习能够无需先验信息，用以往的经验直接找到最优策略。

强化学习的算法主要被分为 Model-Free 和 Model-Based 两种，在 Model-Free 中又被分为基于策略优化和 Q-learning 的两大类，在 Model-based 中又被分为模型学习和给定模型两大类。其中，Model-Free 和 Model-Based 的最主要区别是智能体是否知道或要计算出环境的模型，拥有模型的好处在于智能体可以依据模型看到即将发生的进程，并提前规划行动路径。

强化学习主要有四个特点：其一是缺少监督者角色。其二是延迟反馈，而不是即时反馈。第三是具有时间序列性质。第四是智能体的行为会对后续数据造成影响。强化学习具有反复实验和延迟奖励两个特征，具有策略、奖励、价值、模型这四大要素，其中，策略能够定义从环境状态和智能体状态到行为的映射，是强化学习的核心；奖励定义了强化学习的目标，在每个时间步骤之内，环境能够向强化学习发出的标量值为奖励，从而定义智能体的好坏；价值是对长期收益的衡量，它能够从一个长期角度来评判当前行为的收益；模型是对环境的模拟，强化学习可以选择基于模型和不基于模型两种方法。