现代计算机系统不断增长的复杂性使得故障检测与诊断工作极其困难,因此如何实现快速的故障恢复从而提高系统的可用性变得更加重要了。由于即使在实际故障源未知的情况下,很大一部分故障仍能通过执行一些特殊的恢复操作,例如,重起操作,来进行修复。然而,通常设计合理的恢复策略来有效的调度潜在的恢复操作通常是极其困难而且容易出错的。因此,我们希望能找到一种自动的方式来生成高效的恢复策略。在本文中,我们提出了一种基于增强学习算法的新技术来自动产生恢复策略。我们首先将自动故障恢复问题形式化,在理论上分析出了增强学习方式的有效性。然后,基于一个由原始人工策略生成的故障恢复日志,我们对此方法的两种不同实现方式进行了实验验证:一种是直接的在线学习方式,即直接将该学习过程应用于运行的系统中。通过实验分析我们可以发现,我们的学习方法能获得更优的性能,较好的扩展性,以及趋向于全局最优策略的收敛性。此外,通过引入故障发生的多种特征,我们仍然验证了我们方法的有效性。另一种是离线学习方式,即将该学习过程应用于故障恢复日志来生成恢复策略。由于受到原始人工定义的恢复策略的影响,该实现方式学习得到的是一个局部最优的恢复策略,然而它具有比原始手工策略更好的性能。在我们的实验中,基于真实的机群系统环境产生的恢复数据,我们发现自动生成的恢复策略最终能节省10%的恢复时间。此外,为了避免学习所得策略可能遇到的无法处理的情形,我们还提出了一个混合策略,它能兼两者之长,不仅能维持学习得到的策略的高性能,还能像人工定义策略那样处理所有可能的故障情形。