RoboCup仿真2D比赛过程需要球队间的整体高效的合作及多个智能体之间默契配合，如阵型策略的调节，才能赢得比赛胜利。但由于通讯的限制，智能体很难在动态实时的比赛环境中得到足够多的队友合作信息。若是可以获得更多的对手信息，智能体就能做出相对正确的决策，最终达到射门得分的目标。因此研究学习不可预测的对手信息，如球员异构，阵型策略跑位等是迫切需要的。目前，如何提高智能体的学习能力、对手建模能力以及多智能体的合作能力已成为RoboCup领域的研究热点。近年来随着计算机技术、分布式人工智能技术和多智能体系统的快速发展，RoboCup仿真2D的竞赛水平也有了较大的提高。论文首先讨论了阵型策略的发展过程及其研究意义。随后系统的描述了RoboCup的系统结构及工作原理，并就国内外几支知名球队探讨了RoboCup仿真2D的研究现状和发展趋势。在分析agent2d阵型策略的设计思想及实现过程的基础上，提出了利用Delaunay三角剖分的方法分析阵型中的战术策略。研究了在线教练的工作流程及利用其规则在线完成对手建模等问题。在充分研究神经网络的基础上提出了基于神经网络，利用在线教练为对手的阵型跑位点建立网络模型，详细介绍了此方法的思想，分析了方法的预测准确性、时间复杂度以及相关参数的影响。利用在比赛中收集真实数据的实验表明该方法具有较高的预测准确度。