群机器人系统的研究是机器人学的一个新兴热点,它受启发于复杂的自然系统,如社会性昆虫（蚂蚁、蜜蜂等）和其它有集体协作的动物群体。群机器人系统的智能行为涌现自个体机器人之间实施的简单规则在集体层面的交互作用。作为群机器人系统一个十分典型的任务平台,群机器人围捕系统在军事任务、搜索营救、目标跟踪与监视、反恐任务和安全保卫等领域都具有十分重要的研究价值。然而目前群机器人围捕系统的理论尚不完备,所研究的围捕环境相对简单,围捕系统未考虑感知受限或通信受限等现实因素,围捕算法多基于电脑仿真而经过实际机器人平台检验的较少。针对以上问题,本文从简单障碍物环境到复杂稠密障碍物环境,从Python的质点仿真到Gazebo的模拟物理平台仿真再到实际机器人平台的实验验证,从单目标围捕到多目标任务分配问题的探究,层层递进,逐步开展对复杂环境下群机器人围捕系统的研究,本文的主要研究内容如下:（1）针对目前基于Voronoi分区的群机器人围捕算法不能处理复杂障碍物的问题,提出一种基于生物启发规则和Voronoi分区的分布式围捕算法,并结合机器人的局部感知信息,快速完成复杂障碍物环境中的群机器人围捕任务。（2）进一步考虑更加一般的复杂稠密障碍物环境,考虑机器人感知受限和机器人规模可伸缩等实际因素,同时针对目前群机器人围捕算法的落地实现对实验环境、硬件设备精度和定位精度等方面要求高的问题,提出一种基于虚拟速度和危险角度区间的分布式群机器人围捕算法。在理论上分析了系统稳定性,同时通过Python和Gazebo物理平台上的仿真实验对算法有效性进行验证。（3）围捕算法在实际群机器人围捕物理平台上有效性验证。主要利用基于UWB的相对定位和基于红外的局部环境感知,在有定位误差、传感器测量误差、环境噪声和不确定性的复杂障碍物环境中,验证基于虚拟速度和危险角度区间围捕算法实际有效性。（4）考虑多个移动目标情况,进一步探究多目标任务分配问题。根据合同网协议的基本思想,设计了一种基于混合式体系架构的动态任务分配算法,包括对新发现目标的动态任务分配算法和对已发现目标的局部任务交换算法,将多个移动围捕目标高效无冲突地分配到各动态机器人同盟。同时用Python仿真和Gazebo仿真验证任务分配有效性。