为了对深海中发现的目标实施有效地动态围捕,越来越多的科研机构把目光聚焦在AUV(Autonomous Underwater Vehicle)水下自治机器人上。多AUV执行的围捕任务,可以分成决策围捕者和围捕者的行为协同控制两个阶段。这两个阶段,按逻辑顺序组成一个完整围捕任务。在AUV围捕目标的整个任务中,关键的技术难点在于:其一,采取何种决策机制,从初始的全体AUV中,选出多个围捕者;其二,选出的围捕者,执行何种行为协同策略,可以将目标高效地围捕在一个收敛空间区域。本文针对多AUV围捕者的决策方法和围捕者的行为协同控制问题展开研究。首先,提出了基于改进拍卖算法的围捕者决策方法。针对传统拍卖算法中,拍卖者身份和竞标值的不足,而导致围捕者的决策过程安全性差和决策效率低的问题,提出改进拍卖算法作为多AUV的决策方法,用来选定围捕者。研究多AUV在深海中的组网通信结构和特性,为围捕者决策的通信过程奠定基础。改进后的拍卖算法,通过引入几何中心原理,代替传统确定拍卖者身份的方式,提高了决策效率,增强了决策过程的安全性;通过改进竞标值函数,来确定最佳的围捕者身份,提高了整体的围捕效率的稳定性。其次,提出了基于狮群算法的围捕者行为协同控制方法。针对多AUV围捕目标时行为协同的问题,延续群集智能思想,受自然界中狮群协同捕猎行为的启发,提出自组织的狮群算法。本文深入研究狮群在捕食猎物时,狮群成员之间的协同关系,以及狮群协同与猎物动态博弈关系。提出了狮群算法,应用到多机器人的行为协同控制中。完善了多AUV围捕时的行为协同机制,进一步丰富了群集智能算法体系。最后,基于MobileSim,Matlab等仿真工具,进行了大量围捕者决策和围捕者行为协同的仿真实验。结果表明,改进后的拍卖算法相较于传统拍卖算法,Q学习,SOM,决策效率更高,决策过程更加稳定,显著增强AUV决策过程的鲁棒性。在二维和三维的环境中,狮群算法与模糊控制、强化学习相比,围捕效率更高,算法稳定特性更好。