针对采用理想化信号模拟滚筒受载进行采煤机调高液压系统性能分析准确性差、基于传统优化控制算法难以实现对采煤机滚筒调高的自适应控制，响应速度和跟踪性能不好等问题，提出一种基于深度确定性策略梯度算法DDPG（Deep Deterministic Policy Gradient）的采煤机滚筒自适应调高控制策略，并利用虚拟样机技术、深层卷积神经网络（DCNN）与深度强化学习等机器学习算法搭建了采煤机自适应调高机-液-控一体化系统。利用Pro/E及RecurDyn建立采煤机调高系统刚柔耦合动力学仿真模型，根据某采煤工作面实际赋存条件，利用EDEM建立离散元煤壁模型，基于DEM-MFBD接口构建EDEM-RecurDyn双向耦合调高机构机械系统模型，基于AMEsim建立调高机构液压系统模型，利用Simulink搭建了集信号处理模块（Signal processing）、时频谱图生成模块（Continuous wavelet transform System）、数据样本扩充模块（Fancy PCA System）、截割状态识别模块（Alexnet Transfer Learning System）、调高控制决策模块（Height Control decision）和DDPG高度调节模型模块（DDPG Height Adjustment Model）6个模块于一体的采煤机自适应调高控制系统模型，基于接口技术搭建EDEM-RecurDyn-AMEsim-Simulink多领域协同仿真的采煤机自适应调高机-液-控一体化系统模型。利用该系统模型进行仿真并对其调高性能分析，研究结果表明：基于连续小波变换、Fancy PCA和Alexnet网络迁移学习能够实现煤岩截割状态的精准识别，识别准确率可达95.58%，所搭建系统的仿真过程能够更真实地模拟采煤机截割煤岩破碎过程，系统仅经0.6s左右即能感知到截割工况的变化，且能够快速识别出煤岩截割状态并准确地将滚筒调整至目标高度，响应速度快，能够根据工况变化自适应调节活塞运动速度；相比于模糊PID控制，基于DDPG控制的采煤机自适应调高系统的活塞缩回位移稳态误差最大仅为0.0021mm，仅为前者的0.66%；对比调高前后稳定阶段的控制性能，模糊PID控制的系统活塞运动速度和液压缸腔室流量波动显著增大，而DDPG控制的系统则差别较小，表明后者具备更强的自适应性，更适于复杂煤层赋存条件下采煤机调高液压系统的自适应控制；通过试验验证了采煤机自适应调高控制策略及仿真结果的正确性，可有效提高采煤机对复杂煤层的适应性，促进煤矿智能化的发展进程。