随着人类对机器人完成任务的要求的提高，多机器人系统应用领域也不断扩大。多机器人系统能完成单机器人不能完成的任务，还能从组织和系统的角度研究多个机器人之间的协作机制，发挥多机器人系统的各种内在优势。　　 多机器人协作是多机器人系统中的核心问题，本文研究的多机器人围捕任务是典型的多机器人系统协作课题，涉及到多机器人系统中的控制结构、学习算法、任务分配等问题。本文从分析并实现已有的围捕的方法入手，在此基础上对基于人工势场的围捕策略进行改进以提高围捕效率，最后将围捕任务扩展到多目标机器人，提出了投标者联合投标的拍卖算法。主要包括以下内容：　　 首先针对围捕任务，总结了围捕的两种方法：基于Q学习的方法和人工势场法。并基于仿真平台MuRoS对这两种方法进行了实现和分析。分析结果表明：Q学习不需要设计具体的同捕策略，学习过程中通过经验积累，围捕使用时间逐渐减少，学习算法最终收敛。但是相对于人工势场法，学习过程缓慢，且强化信号设计较为复杂。人工势场法简洁直观，但是机器人行为控制参数不易确定，很难找到最优解。　　 围捕任务是巡逻、军事对抗等任务的具体形式，效率（围捕成功率和围捕消耗时间）尤其重要。在上述人工势场法实施围捕的基础上，针对围捕任务的效率问题，分析了围捕过程中机器人的运动目标对围捕的影响，对简单形成包围圈实施围捕做了改进，提出了基于角度优先的围捕策略。仿真结果显示改进后的方法提高围捕成功率，减少了围捕时间。　　 任务分配是多机器人系统协作的一个关键环节，其中使用较多的是拍卖算法，这些算法根据经济市场中的拍卖来设计，其目的是为了实现资源的较优分配。针对围捕这个紧耦合任务，机器人必须通过协作完成任务，且各机器人对任务的贡献依赖于其他机器人的位置信息。为此，本文提出投标机器人联合形成小组作为一个整体给任务投标，并针对组合过多、计算量大、通信量大等问题对该方法进行改进。仿真结果显示联合投标用于任务分配是可行的。　　 本文的仿真实验都是在仿真平台MuROS进行的，但针对围捕的功能还不完全。论文在对其功能、设计方法、运行机制进行分析的基础上，根据围捕任务需求扩充了基础类库，添加了控制方法，并图解说明了几个全文中提到的仿真实验。　　 最后对研究工作进行了总结与展望，并指出需要进一步深入研究的问题。