本申请提供一种基于强化学习策略的人机交互训练方法及装置，该方法包括：获取以目标样本集为训练样本训练得到的第一模型；所述目标样本集包括多个交互过程的交互内容；构建第二模型，使用所述第二模型与所述第一模型模拟即时通信交互过程；在所述第二模型与所述第一模型的交互过程中，所述第二模型输出回复内容，基于所述第二模型输出的回复内容对所述交互过程的评价指标的影响程度，调整所述第二模型的参数；将参数优化后的第二模型确定为目标模型；其中，所述评价指标用于指示所述交互过程能够实现预设目标的概率。