CBR（Case-Based Reasoning，基于案例推理机制）是一种重要的人工智能方法，它采用相似度匹配的方法，从案例库中检索出与新案例最相似的案例，并进行修改，给新案例提供解决方案的推理模式，由于CBR很好模仿人类的认识过程，将它运用到智能机器人领域，使得机器人具有更高的智能，目前CBR推理机制在智能机器人中的运用已成为研究热点。此外，随着面向Agent编程(Agent Oriented Programming，AOP)模式提出，Agent组件具有自治能力，可在实时环境中，针对事件反应具有主动决策能力，基于Agent以及多Agent系统(MAS)软件设计在智能机器人领域具有重大研究意义和应用价值，在MAS中需要一个“大脑”对实时问题进行推理、求解和学习，提出解决方案来解决遇到问题，CBR很好的解决了这个问题，所以CBR与MAS相结合的智能机器人系统（Multi-AgentRobot System，MARS）是一个很好的研究课题。在MARS中，CBR推理机制自身存在延时对于系统的实时性具有很大影响，为了解决这个问题，将CBR推理机更好的应用到MARS系统中，本文首先对CBR推理机制相关知识和推理各个阶段的算法进行描述和介绍，在实验室设计的一种单机器人Multi-Agent分布式体系结构基础上，重点研究和设计系统中慎思型Agent中CBR推理机制，对CBR实时性进行分析，采用空间向量法，结合动态权重分配与最优代价、时间限定算法对其改进。最后，使用模块化部件搭建了智能机器狗实验平台，将最终实现完整的软件系统与改进算法移植到实际智能机器人平台上获取实际测试数据，对该体系结构和改进算法性能进行验证、测试、分析与评价。