机器人的信息处理与决策方法是多机器人对抗环境中的关键核心问题。然而,现阶段对环境信息感知、机器人状态估计与决策等问题仍有很多研究工作有待深入。本文以ICRA DJI Robo Master人工智能挑战赛为背景,主要研究在多机对抗环境中的信息处理与决策问题,目的是实现机器人的目标检测、状态估计与自主决策。本文的主要研究结果总结如下:首先,分析视觉检测的任务和指标,给出视觉传感器的设计方案;考虑到移动端计算性能受限,提出了由两个检测网络构成的检测-跟踪框架;分别基于YOLOv3与Center Net设计了检测网络与跟踪网络;基于仿真数据构建了数据集并对网络进行了训练,在仿真数据与真实数据集中进行了测试,结果表明基于YOLOv3的目标检测与跟踪网络在实际应用中实现了高精度高频率的检测,符合比赛需求。其次,针对扩展卡尔曼滤波算法中存在的高斯噪声假设、噪声变化时不稳定等缺陷,提出了一种深度自适应扩展卡尔曼滤波算法,设计了噪声估计网络模块与扩展卡尔曼滤波深度嵌合结构;通过几个非线性系统仿真实验,说明了所提出的深度自适应扩展卡尔曼滤波较传统滤波方法具有更好的估计性能与稳定性。再次,分析策略仿真环境对仿真频率、射击真实度与规划真实度等方面的要求,设计了多机器人对抗仿真环境平台整体架构,包括场地环境、路径规划、机器人系统与可视化四部分;为尽量接近真实并实现高仿真频率的规划,提出了基于优化的三次样条插值与Social GAN的两种规划方法;测试表明所设计开发的策略仿真平台能够真实和高效的完成比赛仿真,为强化学习策略算法设计和训练提供了有力支撑。最后,考虑到样本效率、可扩展性和泛化能力的要求,将决策任务合理分解为直接与间接两种任务类型;提出了一种基于分层强化学习的多机对抗决策方法,并采用了MADDPG算法对攻击模块进行了训练;实验结果表明所提出的决策方法训练时间短,机器人能有效学习任务分解后的行为,提升决策算法的可行性与鲁棒性。