机器人在危险或恶劣环境下进行侦查、搜救、探测等复杂任务时,多机器人搜索有着广泛的应用。目前针对战场、灾难现场等复杂多变的未知环境或非结构化环境,由于先验知识缺乏或环境要素难以辨识,缺少全局的地图信息,需要多机器人协同对未知环境进行区域覆盖搜索。基于生物启发神经网络模型的多机器人区域搜索算法,对于未知区域的障碍物分布或目标信息没有要求,将搜索过程获取的环境信息体现在神经网络模型中,机器人根据梯度递减原则自动规划搜索路径。但现有基于生物启发的智能搜索算法研究中存在对环境信息考虑不充分、搜索后期容易陷入局部最优、覆盖搜索时的多机器人协同性不强等问题,这些问题给多机器人覆盖搜索的应用带来了困难和挑战。因此,本文对未知环境下多机器人协同区域覆盖搜索中存在的问题进行了深入研究,并从机器人后期搜索效率、多机器人协同性、以及对复杂环境的适应性等方面进行创新,设计了四种多机器人搜索算法:1)针对现有基于生物启发的多机器人覆盖搜索算法中存在后期搜索效率较低的问题,本文在生物启发神经网络搜索算法的基础上设计了一种基于滚动优化决策的多机器人区域搜索算法（滚动优化决策协同搜索算法）。针对未知环境,我们首先建立了一种环境信息表示模型,该模型将栅格地图与Glasius生物启发神经网络（Glasius bio-inspired neural network,GBNN）相结合,机器人在移动过程中探测到的环境信息将以GBNN神经元活性值的形式呈现。为了提升后期搜索效率,引入分布式模型预测控制方法作为机器人搜索路径决策机制,并采用差分进化算法进行优化求解,得到下一步搜索路径。最后设计了不同任务区域面积下的仿真实验,仿真结果表明所提算法与生物启发神经网络搜索算法相比能有效地提升机器人后期搜索效率。2)针对滚动优化决策协同搜索算法中存在的障碍物附近区域无法被充分搜索、多机器人之间协同性不强的问题,本文设计了一种基于迭代协同决策的多机器人区域搜索算法（迭代协同决策搜索算法）。该算法在滚动优化决策协同搜索算法的基础上,改进了搜索效能函数以加强对障碍物附近区域的搜索并考虑了一种迭代协同决策机制,让每个机器人在搜索路径决策时充分考虑其他机器人的决策信息。最后设计了不同环境下的搜索仿真实验,仿真结果表明所提算法与滚动优化决策协同搜索算法相比能有效地提升多机器人协同性能。3)当机器人之间的通讯距离有限并且多机器人系统数量规模较大时,如何确保多机器人系统在未知环境下稳定有效地执行区域搜索任务是亟需解决的问题。为此,本文设计了一种基于分组协同机制的多机器人区域搜索算法。该算法在迭代协同决策搜索算法的基础上,进一步考虑局部通信,并设计了一种分组协同机制,将机器人划分成了多个搜索小组,每个小组内使用迭代协同决策机制以规划出下一步搜索路径。最后设计了不同机器人数量下的搜索仿真实验,并与现有算法进行比较,仿真结果表明所提算法能使不同数量规模的多机器人有效地进行区域覆盖搜索。4)针对现有算法在应用于复杂障碍物环境时可能出现搜索效率下降的情况,本文设计了一种基于改进神经动力学模型的多机器人区域搜索算法。该算法首先对GBNN模型的特性进行改进,消除任务区域中障碍物过多对机器人造成的影响。其次,在改进的GBNN模型的基础上,进一步考虑了一种辅助搜索机制,在机器人陷入局部最优时辅助其快速找到未探测区域。最后设计不同障碍物环境下的搜索仿真实验,仿真结果表明所提算法相比于现有算法能有效地提升多机器人对复杂障碍物环境的适应能力。