自20世纪70年代以来,多机器人协同作业已成为海洋探索领域的重要研究方向,系统将总体任务划分为多个子任务,再分配给系统中各个机器人来执行,进而实现快速有效地完成任务。相对于单机器人系统而言,多机器人协调与合作使得该系统具有操作快、效率高、可靠性好的优点。本文将对多自主水下无人潜航器（MAUV）协同捕获作业所需控制算法进行研究和改进。论文的主要研究内容如下所示:（1）构建动态复杂环境模型,首先确立障碍物影响域,其次结合障碍物划分子算法对空间内障碍物群进行划分,最后应用三次样条插值法对划分后隶属于同一域空间的障碍物群进行局部组网,继而实现对空间的分解和无效障碍物的排除;引入图论基础知识,对多组有效障碍物域进行标示、划分和信息储存;提取局部组网的关键节点,结合空间递推子算法对子目标点位置进行求解,并将其储存于时变空间图中,将任务模块化分解为多个子任务,继而实现空间的重构和时变有记忆空间图的初步建模。仿真实验证明了障碍物划分子算法的准确性和时效性,为构建时变导航图提供了可能。（2）基于动态环境模型建立混合型算法模型:1.结合传统自组织神经网络（SOM）算法对多AUV进行初次任务分配;为克服由初次分配带来的过分配和欠分配问题,本文提出一种任务再分配机制用以保障协同作业过程中的最优匹配状态。仿真实验证明了再分配机制的高效性、稳定性。2.网格化时变有记忆空间图,结合双曲线函数的特殊性质对局部时变导航图进行边界约束,实现网格空间的矢量化;应用最小二乘法对动态障碍物进行轨迹拟合,并对轨迹点进行实时预测,矢量化障碍物行进轨迹。结合矢量化后的时变导航图和动态障碍物轨迹,建立动态网格密度函数,继而实现AUV步长可变下的轨迹更新。3.建立多层交叉型神经波网络结构,实现神经元与网格节点的一一对应;基于此神经波网络结构建立神经元信息素布置模型（BNWN）和AUV路径点更新模型,并基于BNWN模型建立8、26点禁忌搜索机制,实现对未知环境的搜索,提高算法的自适应能力。仿真实验证明了禁忌搜索机制和BNWN模型的准确性和稳定性。4.引入洋流干扰,建立AUV运动学模型来分析洋流干扰对AUV造成的影响,建立以速度矢量模型为基础的速度矢量合成算法（VVS）来克服静态或时变洋流干扰。仿真实验证明了VVS与BNWN结合的混合型算法成功克服了时变洋流的干扰。5.本文引入拦截物以及虚假目标物干扰并模拟拦截物的轨迹规划及拦截工况;通过智能化目标物以实现对动态目标物和虚假目标物的模拟;通过牛顿插值法原理对虚假目标物进行甄别,并结合神经波网络结构的预留层模型实现对智能目标物的围捕。仿真实验证明混合型算法良好的抗干扰性,可在复杂动态环境下实现对目标物的围捕。（3）编队搜索与跟踪,本文基于多层交叉型仿生神经波网络（Bionic neural wave network）结构以及路径跟随策略,提出一种融合了虚拟结构与领航者-跟随者（LF）编队特性的新型编队控制方案,它应用全领航者机理提高了任务成功率,结合禁忌搜索方法提高了系统容错率,结合再分配机制提高了任务分配效率,应用两种路径更新方式提高了算法的自适应能力。（4）实验平台搭建与试验研究,调整AUV的下潜深度,使其在水面作业,便可同视为水面无人船;基于无人船设计思路,本文应用树莓派作为主控板,结合I2C总线协议选取与之相匹配的外部设备,并将遥控器、磁强计和加速度计等外部设备与主控建立通信;通过USB接口建立GPS、Modbus（无线电）与主控的通信;采用GPIO引脚实现主控对推进器的启停和转向控制;采用PWM波对推进器进行实时控制;建立上位机与下位机的联系,完成了对传感器的联调和校准;本文采用CDP studio软件平台,完成控制代码的编写及信号的接收、处理;将BNWN与VVS混合型算法嵌入CDP studio中实现对无人船的位姿控制和路径规划;并最终实现了PWM波控制信号对推进器的实时控制;多组试验结果证明了所提混合型算法的准确性和实用性。