随着机器人学不断发展,单机器人在结构设计、感知能力、解决复杂任务能力等方面的瓶颈逐步体现。由于多机器人系统在多个方面具有显著的优势,因此受到国内外学者的重视。多机器人围捕任务作为多机器人系统的典型任务,体现了多机器人协作等多方面特性,常被用于评价多机器人系统的性能。多机器人围捕任务是指在连续的环境中,多个围捕机器人根据其搭载的传感器,对单个围捕者进行搜索并协作围捕的过程。本文针对多机器人围捕问题,建立两层模糊推理系统用于实现围捕任务,并研究了两种基于模糊推理系统的多机器人围捕策略。其中第一层推理系统用于策略决策,把围捕任务划分为搜索、接近、围捕三个阶段,并根据不同阶段执行不同策略。针对围捕阶段,本文研究了两种策略,分别为基于模糊推理系统的角度控制围捕策略与基于人工免疫获取模糊规则库的多机器人围捕策略。第一种策略从对单个机器人运动控制的角度出发,按照策略建立多条角度线,每个机器人根据同一套推理系统以优先对角度线接近,再对逃跑者进行接近的策略,实现围捕者整体的收缩包围,从而完成围捕任务。在考虑到多机器人系统中各个机器人的运动信息对于完成特定任务体现出较强的相关性,从多机器人整体控制的角度,研究了基于人工免疫获取模糊规则库的多机器人围捕策略。首先分析了用于描述围捕状态的相关环境因素,作为模糊推理系统的前件输入。并后件输出设计为围捕者的整体运动行为。依照以上考虑设计的模糊推理系统包含大量的输入输出因素,导致模糊规则库的规则量较大,难以直接通过经验知识进行制定。因此采用人工免疫算法获取模糊规则库。基于人工免疫获取模糊规则库,通过对模糊规则库进行编码形成个体,由大量个体构成种群,再通过相应的亲和度函数评价规则库对围捕问题的解决能力。再经过一系列的免疫操作,得到最优的模糊规则库。最后将该规则库应用到实际的多机器人围捕任务中,实现多机器人围捕。本文根据实际环境情况建立仿真实验环境,并且保证所有机器人的运动符合轮式机器人运动学模型。将上述两种算法在不同环境中进行了仿真实验与分析,研究结果证明以上策略能够有效的完成多机器人围捕任务,实现最终围捕。