广阔的海域在带来巨大经济效益的同时,使我国领海安全也面临极大挑战,采用多无人平台组成多智能体联防系统,具有大范围持续高效的自主工作能力,在现代化海防任务中逐渐成为重要手段。因此,无人系统下海面目标任务分配、搜索以及围捕中的协同探测规划等关键任务研究具有重要意义,其核心为多目标多智能体协同规划方法。针对多目标场景复杂变化、自主平台工作效率和属性约束等多影响因素,重点开展基于深度强化学习技术的多智能体协同探测规划方法研究,研究内容和成果如下:设计了基于智能更新策略的多无人船协同任务分配算法。为解决多无人船针对多敌方船只目标的任务分配计算量大、复杂度高的问题,采用高斯混合模型将任务区域划分为多个子区域,为各子区域分配无人船,缩小了任务规模,减少了计算量。针对算法性能易受网络参数更新间隔影响的问题,根据实时奖励动态改变参数更新间隔,提高了网络的稳定性,学习到了更优的分配策略。在协同搜索系统中,智能体难以从全局信息中提取无人船位置、周边目标概率等关键信息,且容易陷入边界困境,导致全局收益低且搜索性能差,为解决该问题,论文提出了基于动态边界回避策略的多无人船协同搜索算法。首先设计了包含无人船位置以及未来走向的航迹导向图,然后去掉了该图中的“不安全”路线,最后将其与目标存在概率图等一起进行卷积,提取更精炼的信息来指导智能体学习。实验结果表明,该算法有效提高了累积搜索收益和区域覆盖率。针对协作探测围捕系统中因智能体间竞争引起的网络收敛慢、围捕效率低的问题,以及因通信延时和探测器误差引起的包围圈偏移的问题,论文设计了异构多无人平台分布式超前定点探测围捕算法。根据各无人设备相对目标的位置为其分配围捕点,避免了竞争,提高了网络收敛速度和围捕效率。采用扩展卡尔曼滤波算法对目标下一步位置进行预测,提高了包围圈的准确性。