多机器人系统具有较好的鲁棒性、可拓展性和容错性等优势,能很好的通过协同算法完成单机器人难以完成的复杂任务,其中多机器人巡逻就是多机器人系统的重要应用领域。当多机器人巡逻系统面对复杂多变的巡逻环境时,选取合适的协同算法能很好的提高系统的适应性,进而提高多机器人巡逻的质量与效率。本文针对复杂环境中多机器人分布式巡逻算法进行了研究,主要研究内容如下:（1）针对传统分区巡逻策略忽略游客趋势变化,使得所划分的固定巡逻地图无法适应复杂多变的巡逻环境,导致多机器人巡逻系统巡逻效果不佳的问题,提出了一种基于游客趋势的巡逻地图动态划分算法。首先,通过K-means聚类算法对原始的巡逻地图拓扑图进行初始划分,划分区域数量与巡逻机器人数量相同。然后,利用机器人间的信息交互得到巡逻节点的空闲时间,同时将游客趋势作为环境增益引入到地图划分中。最后,通过采用贝叶斯概率来估计各个巡逻区域向外移除巡逻节点的概率,以达到通过改变划分区域面积来适应游客趋势动态变化的目的。通过实验表明,当游客趋势发生变化时,相较于其他传统的分区策略,动态划分算法下得到的全局平均空闲时间和节点空闲时间标准差都相对较小,说明该巡逻地图动态划分算法使得多机器人巡逻系统具有更好的巡逻效果与稳定性。（2）针对多机器人巡逻中多数算法只利用被访问节点的相邻节点信息,导致平均空闲时间增大的问题,提出了一种基于多步长的分布式巡逻算法。首先,利用无向图对环境进行建模,其中存在路径的两节点互为邻居,引入重要度刻画节点所在区域的重要程度。其次,设计基于个体机器人的效用函数,其中利用了被访问节点邻居的邻居信息。该函数在结合相邻节点空闲时间和重要度的同时,考虑了相邻节点邻居的局部平均空闲时间和节点个数,进而通过比较效用函数来指导个体机器人运动。最后,通过实验表明,该算法在机器人数量逐渐增多时,其系统的全局平均空闲时间也逐渐降低且具有很好的稳定性,相较于其他几种算法,该算法更加适用于机器人数量较多时的巡逻任务。