环境是动态变化的,MAS中Agent行为也是未知的,要建立领域完备的先验模型几乎不可能,许多领域知识也是在Agent的交互过程中逐步获得的,因此复杂环境下的Agent应当能够根据以前的经验建立信任评价模型,校正其行为,即具有学习或自适应能力。Agent学习是近年来广泛受到人们关注的热点问题之一。单个Agent常常由于其有限的资源和能力,不能完成复杂的任务,所以多个Agent之间的学习交流也非常必要。依据现有的Agent理论模型及其技术方法,并没有真正实现大规模的应用,其中一个主要问题就是多Agent的本体论没有解决。本文首先回顾Agent与MAS的产生发展及主要研究内容,介绍Ontology与DFL的基础知识,针对一个旅游消息服务原型系统,构建旅游领域Ontology,并采用基于Ontology的知识表示与推理,在此基础上介绍语义协商学习和信任模型。多Agent学习进化策略,主要包括Agent的协商学习,基于Ontology的语义相似度的计算,信任度评价学习模型等。根据以上学习进化策略,并结合Ontology理论与Agent技术,提出了基于Ontology的一种新的BDI-Agent体系结构、基于DFL的BDI-Agent的学习模型以及动态模糊信任度(DFB),通过实验表明,在增加动态模糊信任度的情况下,BDI-Agent学习能够提高学习效率,符合人类思维与行为习惯,并提供用户个性化地旅游服务。