针对数据驱动的配电网无功优化方法面临训练样本获取成本高、传统物理模型方法适应性不足的双重挑战，提出一种基于条件扩散模型增强数据的配电网无功优化强化学习方法。首先，构建了考虑量测误差的马尔可夫博弈模型，刻画了多逆变器协同调控的配电网无功优化特性；其次，设计了物理信息嵌入的条件扩散概率模型，有效扩充强化学习回放经验池；然后，提出了基于时序差分误差的自适应混合经验回放机制，动态调节增强数据样本比重；最后，通过构建集中式训练-分布式执行框架，离线训练智能体的无功控制策略并将其在线部署以实现分布式自主调控。仿真结果表明，所提方法在训练样本有限的场景下显著提升了强化学习方法的性能，具有优异的实时响应能力和无功优化效果。