强化学习中的深度学习方法常见的应用和技术包括以下几个方面：
游戏领域：深度强化学习在游戏领域有着广泛的应用，例如AlphaGo使用了深度强化学习技术来进行围棋对弈，并取得了非常好的效果。另外，深度强化学习在电子游戏中的角色控制、游戏策略优化等方面也有着广泛的应用。
机器人控制：深度强化学习可以应用在机器人的路径规划、动作控制等方面，使得机器人能够根据环境的变化自主学习并做出相应的决策和行动。
金融领域：深度强化学习在金融领域的应用也日益广泛，例如在股票交易策略优化、风险管理、信用评估等方面可以使用深度强化学习来提高决策的准确性和效率。
自然语言处理：深度强化学习在自然语言处理领域的应用也越来越多，例如在对话系统、机器翻译、文本生成等方面可以使用深度强化学习来改善模型的表现。
在技术方面，常见的深度强化学习方法包括深度Q网络（DQN）、双重深度Q网络（DDQN）、深度确定性策略梯度（DDPG）、行动者-评论者（Actor-Critic）等。这些方法在不同领域都有着广泛的应用，并且不断地得到改进和拓展。
综上所述，深度强化学习在各个领域都有着广泛的应用，同时也有着丰富多样的技术方法，可以根据具体的问题和场景选择合适的方法来应用。