近年来,人工智能技术不断取得突破性进展,多智能体系统作为人工智能领域重要研究内容,其被广泛应用于各个领域。然而在实际应用中,多智能体系统常存有异常智能体且易受到外界因素干扰。因此,保证多智能体系统在发生故障和受到外界干扰情况下仍然能够完成指定任务具有重要意义。本文深入地研究了协作任务中多智能体强化学习和多智能体一致性的容错问题。主要工作如下:（1）针对协作任务下多智能体容错强化学习问题,本文提出了容错的多智能体深度确定策略梯度（Resilient Multi-agent Deep Deterministic Policy Gradient,RMADDPG）算法。该算法采用中心化训练、分布式执行的框架。通过引入鉴别器,识别多智能体系统中异常智能体行为特征。正常智能体在训练自身策略时,将异常智能体的状态信息剔除,从而降低异常智能体对正常智能体的决策影响。最后,进行协同导航实验,实验结果表明该算法解决了任意异常智能体数量下多智能体强化学习的容错问题,且该算法具有极强的有效性。（2）为解决协作任务中基于隐私保护的多智能体容错一致性（Multi Agent Privacy Preserving Resilient Consensus,MAPPRC）问题,本文基于Q-Consensus算法提出两种改进算法:基于噪声的MAPPRC算法和基于加密的MAPPRC算法。在基于噪声的MAPPRC算法中,单个智能体在传递自身状态值前向状态值中添加噪声,且该噪声在传递过程中不断减小。在基于加密的MAPPRC算法中,利用Paillier算法重构奖励函数。然后,设置三种实验对所提算法有效性进行验证,即数值仿真实验、智能车硬件实验以及分布式监督学习实验。实验结果表明,所提算法针对常值型、随机型异常智能体具有较好的容错能力和隐私保护能力,成功解决了协作任务中基于隐私保护的多智能体容错一致性。