En el entorno industrial, la transmisión de datos de las Redes de Sensores Inalámbricos (WSNs) suele tener requisitos estrictos de plazo. Mejorar la fiabilidad y el rendimiento en tiempo real de la transmisión de datos se ha convertido en uno de los problemas críticos en la investigación de las WSNs. Uno de los principales métodos para mejorar el rendimiento de la red de las WSNs es programar el proceso de transmisión. Un algoritmo de programación efectivo puede cumplir con los requisitos de un entorno industrial estricto para el rendimiento de la red, lo cual tiene una gran importancia en la investigación. Aiming at the problem of concurrent data transmission in WSNs, a real-time data transmission scheduling algorithm based on deep Q-learning is proposed. El algoritmo considera de manera integral la influencia del plazo restante, los saltos restantes y los nodos de ranura de tiempo no asignados en el proceso de transmisión de datos, define la función de recompensa y la estrategia de selección de acciones de Q-learning, y guía el proceso de transferencia de información del estado del sistema. Al mismo tiempo, se combinan el aprendizaje profundo y el Q-learning para resolver el problema de mantenimiento de desastres causado por la gran escala del estado del sistema. Un modelo de red de Multi-layer Stacked Auto Encoder (SAE) establece la relación de mapeo estado-acción, y el algoritmo Q-learning la actualiza. Finalmente, de acuerdo con el modelo de red SAE entrenado, se obtiene la estrategia de programación de la transmisión de datos del sistema en diferentes estados. El rendimiento de red del algoritmo propuesto de programación de transmisión de datos es analizado y evaluado mediante experimentos de simulación. Los resultados de la simulación muestran que en comparación con los algoritmos heurísticos comúnmente utilizados, el algoritmo propuesto mejora el rendimiento en tiempo real y puede cumplir mejor con los requisitos de transmisión de datos de WSNs de alta fiabilidad y en tiempo real.