Internet的飞速发展已经深刻地影响着传统商业模式的运作，电子商务已经被越来越多的人所接受，目前基于Agent的电子商务研究成为业界研究热点。如何快速、高效地进行Agent协商，已经成为经济学家和计算机学者共同研讨的一个主要方向。 基于Agent的协商可看作在信息不完全的状态下个性Agent之间既竞争又合作的决策过程。对于多Agent系统而言，由于它是一个开放的动态系统，因此要求协商过程能够适应环境的动态变化。理论分析表明，如果在协商的多Agent系统中引入学习机制，使得每个Agent通过学习来协调自身的行为，则能有效地完成协商目的。本文正是基于这样一个背景开展工作的。 本文主要研究了在基于Agent的双边多议题协商中，如何应用在线学习机制来提高协商效率。文章首先参考Zeng，Sycara(1997)等人关于协商学习的模型并加以改进，提出了相关开放有效的协商模型。在该协商模型的基础上引入贝叶斯学习机制，并分别对更新信念、生成提议等协商过程作了详细阐述。在限时条件下的多议题协商中，为了当协商进入僵持状态时参与协商的买卖双方能确定是否进行妥协，从而使协商继续进行下去，本文在贝叶斯学习的基础上提出了基于不妥协度的协商策略，从而使协商过程不至于在一些无关紧要的冲突点终止。实验表明在协商过程中进行学习可以提高对方私有信息的预测精确度，缩短了协商时间，提高了协商效率。 协商是一个动态的复杂过程，协商双方彼此之间保密自己的私有信息。本文采用贝叶斯网络学习来更新Agent关于环境和其他个体的信念，从而使Agent在协商交互中能够对协商对手的保留值动态预测，更有效地进行交互推理。并实验证明其可行性。