基于深度确定性策略梯度(DDPG)算法，提出一种基于深度强化学习的试井曲线自动解释方法。将该方法应用于4种不同试井模型条件下的曲线自动拟合。为提高训练效率，建立基于LSTM神经网络的试井代理模型。通过训练智能体与代理模型交互，最终得到最优曲线拟合策略。结果表明：曲线参数解释的平均相对误差为5.51%，平均计算时间为0.427 s，计算速度相较物理模型提高两个数量级。该方法在案例应用中参数解释平均相对误差为4.32%，证明了方法的可靠性。
