近年来,随着科学技术的不断发展,在单智能体领域,深度强化学习取得了很多令人瞩目的成果。然而在多智能体领域,由于智能体数量的增多及环境复杂性的增长,导致智能体交互时无法处理爆炸式增长的信息量。因此,如何让智能体在学习过程中进行有效的通信和学习信息的选取,从而促进智能体之间协同能力,是一个重要的研究课题。针对智能体间的有效通信和通信过程中产生的冲突问题,本文进行了研究,主要研究内容如下:（1）针对目前多智能体通信方式不合理,对于信息选取的方式不够全面的问题。提出了一种基于符号注意力机制的多智能体信息处理方法。该方法融合了传统的多头注意力机制并将其符号化,避免像传统的信息处理方式一样无差别地学习其余所有智能体的信息。该方法关键在于综合考虑智能体之间的相似度,包括正向相似度和负向相似度,从而更全面地学习与自身相关性最大的智能体信息。该方法不仅能减少多智能体系统中各个智能体所需处理的信息量,去除大量的与自身不相关的冗余信息,还能提高智能体的样本效率。对两个经典场景进行实验验证结果表明,该方法能取得较好的学习效果,能在相同步长的实验环境下,获得更高的回报率,让智能体做出更好的决策。（2）针对现有智能体冲突消解方法建模复杂、效率低下的问题。提出了一种基于双深度Q强化学习算法（DDQN）的多智能体冲突处理方法。该方法首先通过DDQN算法计算智能体的累计回报收益,根据累积回报收益赋予智能体优先级,利用该顺序进行决策,然后通过自主决策选取动作,从而达到避免冲突的效果。这种方法并不像传统的处理冲突的方式一样,需要对环境和智能体进行复杂的建模,因为对于一些复杂场景,人为设定变得不太可能。这种方法,不仅能让智能体自主地进行冲突消解,还不需要进行复杂的环境建模。针对现实世界的智能车冲突场景进行了仿真实验,实验结果表明,该方法能较好的处理冲突问题,帮助智能体更好的做出决策。