【中图分类号】G841 【文献标识码】A 【文章编号】2095-2813（2025）19-0018-05

[Abstract] With the increasing personalization of sports training demands，designing precise training programs based onathletes'diferent physicalcharacteristics hasbecomeacrucial topicinmodersports training.Basketballplayers' physical fitness levels directlyafects theeffectivenessoftheir technicalandtactical execution.Therefore，personalized training optimization is crucial for improving competitive performance.This paper proposes a personalized basketball training optimization framework based on Reinforcement Learning （RL），using physical fitnessasssment data to guide training strategyselection.Toovercomethe problem of insuficient training data，amulti-level data augmentation strategy is adopted，incuding SMOTEalgorithm，GANnetworks，and Gaussiannoiseijection techniques，toepand original samples 5-10 times. This research designs an automated training decision system based on Q-learning algorithm， which can adjust the training plan inreal time according tothe physicalfitness status of athletes.Experimental results show that the experimental group's maximum oxygen uptake has significantly increased compared to before the experiment （Plt;0.001） ， while mixed sample training models outperformed pure real sample models by approximately 30% This research provides new ideas and practical references for inteligentandpersonalized development in basketball training.

[Keywords]Basketball trainng;Personalizedtraining;Reinforcementlearing;itnessassessment;Dataenhancement

作者简介：陈建桦（1997—），男，本科，研究方向为运动训练学、体育数据分析与技术应用。

篮球运动作为高强度、高对抗性的综合性项目，对运动员体能提出多维且动态的要求。比赛中，运动员需频繁完成冲刺、急停、跳跃、变向等动作，这既需要良好的无氧代谢能力来应对高强度间歇性运动，也依赖优秀的有氧耐力来维持长时间竞技状态。龚炳南等研究发现，中超联赛球员在比赛中的跑动和技术表现随着比赛级别的提高而变化，对球员体能的要求也相应提高。例如，在职业比赛里，球员平均每场跑动10＼～12km ，其中包含大量冲刺与变向，对下肢爆发力、核心稳定性和身体协调性要求极高。随着篮球运动的不断发展，比赛中技术更全面，打法更多样，对运动员动作的灵活性要求更高[2]。在对抗环节中，上肢力量和身体对抗能力直接影响篮板争夺、卡位及攻防转换效果。同时，随着比赛节奏加快与战术体系复杂化，快速反应和良好的神经肌肉协调性也成为运动员必备素质。然而，现有的传统篮球训练体系过度依赖教练的主观经验，采用统一训练模式，忽视个体差异，不仅难以实现精准训练干预、充分挖掘运动员潜能，还可能因训练强度与个体承受能力不匹配而增加运动损伤风险。

强化学习（ReinforcementLearning，RL）算法的发展为训练优化带来了数据驱动的精准方案，其智能决策机制可动态调整训练策略，提升训练效果。强化学习是一种用于解决序列决策问题的机器学习方法，通过让智能体与环境交互获得反馈，从而学会最佳策略[3]。……