增強學習（Reinforcement Learning，RL）是一種機器學習方法，它關注於智慧型體在與環境的互動中學習策略，以實現最大化累積獎勵或達成特定目標。
在增強學習中，智慧型體（Agent）通過觀察環境狀態（State）並採取行動（Action）來與環境進行互動，根據環境的反饋（Reward）來評估其行為的效果，以此不斷最佳化其策略，以實現長期累積獎勵的最大化。增強學習是一種試錯學習（Trail-and-error），它不依賴於預先給定的數據，而是依賴於與環境的直接互動，以及從歷史互動中學習到的信息，這種學習方式使得智慧型體能夠在沒有直接指導的情況下，通過探索和開發來學習最優的策略。增強學習的一個核心概念是策略（Policy），它定義了在給定時刻下智慧型體表現的方式，即從環境狀態到動作行為的一個映射，另一個關鍵概念是獎勵函式（Reward Function），它定義了在增強學習問題中的目標，即從環境狀態到獎勵的一個映射，智慧型體的任務就是在長期的過程中，不斷最大化所得的總獎勵。增強學習理論受到行為主義心理學啟發，側重線上學習並試圖在探索-利用（Exploration-exploitation）間保持平衡，它不要求預先給定任何數據，而是通過接收環境對動作的獎勵（反饋）獲得學習信息並更新模型參數。
增強學習在資訊理論、博弈論、自動控制等領域有得到討論，被用於解釋有限理性條件下的平衡態、設計推薦系統和機器人互動系統，一些複雜的增強學習算法在一定程度上具備解決複雜問題的通用智慧型，可以在圍棋和電子遊戲中達到人類水平。