La predicción precisa de la temperatura juega un papel importante en la protección térmica de los motores síncronos de imán permanente. Se propone un método de predicción de temperatura para máquinas síncronas de imán permanente (PMSMs) basado en la optimización de políticas proximales. En el método propuesto, se introduce el marco actor-crítico del aprendizaje por refuerzo para modelar el mecanismo efectivo de predicción de temperatura, y luego se analizan las correlaciones entre las características de entrada para seleccionar las características de entrada apropiadas. Finalmente, se introduce el algoritmo simplificado de optimización de políticas proximales para optimizar el valor de la temperatura de predicción de los PMSMs. Los resultados experimentales revelan la alta precisión y fiabilidad del método propuesto en comparación con un método de media móvil ponderada exponencialmente (EWMA), una red neuronal recurrente (RNN) y memoria a largo y corto plazo (LSTM).