近些年多智能体强化学习的相关研究备受关注,其中值分解问题的相关研究引起了研究者的广泛重视。在多智能体值分解方法中,为提高多智能体策略的性能,环境整体的行为值函数可以表示为每个智能体值函数的组合。然而,目前的值分解方法中主要存在两方面问题:（1）值分解相关算法模型存在学习效率较低的问题,而算法的学习效率是重要性能指标,提高模型学习效率具有重要的研究价值;（2）值分解相关模型存在探索能力不足的问题,而探索能力对多智能体强化学习算法至关重要,提高模型的探索能力能够避免智能体策略陷入局部最优,从而获得性能更优的多智能体策略。基于上述问题,本文提出解决方法如下:（1）提出了基于重要性权重反馈的加速收敛机制方法:WF-QMIX（Weighted Feedback-QMIX）。算法通过引入一组动作价值函数以提高值分解方法中的学习效率。首先,算法引入重要性权重参数网络为智能体策略赋予一组动作价值重要性权重。其次,算法引入选择门结构,当赋予重要性权重的动作价值组合通过混合网络得到的整体价值更接近目标价值时,算法将原始的动作价值组合与赋予重要性权重的动作价值组合差异性减小,使模型进一步更新以加快其学习收敛速度;反之,则使两组动作价值组合差异性增大以提高模型探索能力。实验结果表明:WF-QMIX方法的模型收敛速度与最终表现均优于其它对比算法。（2）提出了基于隐变量控制的拓展探索机制方法:WFVAE（Weighted Feedback-QMIX with Variational Exploration）。算法通过引入行为模式隐变量调整智能体与环境交互的动态策略,以解决值分解方法中探索能力不足的问题。首先,该算法引入行为模式隐变量并将其与智能体动态策略进行关联。其次,该算法通过改变行为模式隐变量实现智能体与环境交互策略的动态调整,从而拓展模型的探索空间,进一步提高模型的探索能力。实验结果表明,WFVAE方法的表现效果优于其它对比算法。