Malaria terus menjadi tantangan kesehatan global yang signifikan, terutama di wilayah dengan akses terbatas ke sumber daya medis. Diagnosis mikroskopis malaria, yang merupakan standar emas, sering kali terhambat oleh kualitas citra yang rendah, sehingga memengaruhi akurasi diagnosis. Penelitian ini bertujuan untuk meningkatkan kualitas citra mikroskopis malaria yang rendah menggunakan deep reinforcement learning (DRL). Penelitian ini mengusulkan pendekatan baru yang memanfaatkan Asynchronous Advantage Actor-Critic (A3C) yang dikombinasikan dengan Fully Convolutional Networks (FCN) untuk mengontrol kontras, kejernihan citra, dan tepian objek. Pendekatan yang diusulkan diuji secara komparatif terhadap metode perbaikan citra konvensional yang telah ada menggunakan metrik Peak Signal-to-Noise Ratio (PSNR), Mean Squared Error (MSE), dan entropi. Hasil eksperimen menunjukkan peningkatan sebesar 3% pada rata-rata nilai PSNR dibandingkan penelitian sebelumnya, sedangkan peningkatan entropi tidak terlalu menonjol. Namun, dengan optimasi lebih lanjut, rata-rata PSNR meningkat sebesar 34.16%, sedangkan rata-rata entropi meningkat sebesar 36.55% dibandingkan dengan hasil sebelum tuning lebih lanjut. Temuan ini mengindikasikan bahwa DRL menawarkan solusi yang fleksibel dan efisien untuk peningkatan citra malaria di lingkungan dengan sumber daya terbatas, dengan potensi signifikan untuk meningkatkan akurasi diagnosis malaria.