Debido a la fuerte capacidad de representación y la capacidad de aprender de las mediciones de datos, el aprendizaje por refuerzo profundo ha surgido como un poderoso método de control, especialmente para sistemas no lineales, como el sistema de control de motores aéreos. En este artículo, se presenta una nueva aplicación del aprendizaje por refuerzo profundo (DRL) para el control de motores aéreos. Además, se extrae información sobre las características dinámicas de transición del motor aéreo del búfer de reproducción del aprendizaje por refuerzo profundo para entrenar un modelo de predicción dinámica basado en redes neuronales para el motor aéreo. A su vez, el modelo de predicción dinámica se utiliza para mejorar la eficiencia de aprendizaje del aprendizaje por refuerzo. La aplicabilidad práctica del sistema de control propuesto se demuestra mediante simulaciones numéricas. En comparación con el sistema de control tradicional, este nuevo sistema de control de motores aéreos tiene una velocidad de respuesta más rápida, una mayor capacidad de autoaprendizaje y evita el complicado ajuste manual de parámetros sin sacrificar el rendimiento del control. Además, el modelo de predicción dinámica tiene una precisión de predicción satisfactoria, y el método basado en modelos puede lograr una mayor eficiencia de aprendizaje que el método sin modelo.