如何设计出能够自动适应不同任务环境的智能模块机器人一直是一个非常有研究价值的问题。当前,大多数模块机器人的结构和控制策略都是由研究人员针对某一特定任务环境设计出来的。这使得模块机器人在任务环境发生变化时无法自动的对结构和控制策略做出调整。为了让模块机器人能够在仅给出任务目标,但没有预先知道整个任务环境的情况下,可以自动地根据所处的场景对结构和控制策略进行调整,本文提出了以下两种算法。（1）为了令模块机器人可以无需人工干预自动的适应不同的环境,本文基于遗传算法框架提出了两阶段自重构算法（TSRA）。该算法分为现实自重构（AR）和经验自重构（ER）两个阶段。在现实自重构阶段,算法在现实环境中测试给定的模块机器人结构和控制策略,选出最优的结构和控制策略,同时利用该阶段产生的数据对评估神经网络（ENN）进行优化。在经验自重构阶段,算法利用评估神经网络对模块机器人结构和控制策略进行评估,选出适应度高的结构和控制策略供现实自重构阶段测试。相对于简单的遗传算法,采用经验自重构阶段提高了两阶段自重构算法的搜索速度和搜索效率。（2）为了令模块机器人可以自动根据局部环境对自身的结构进行调整,本文根据基于模型的（model-based）强化学习方法,提出了结构自动设计算法（SADA）。该算法可以在无需与环境交互的前提下针对不同的局部环境设计出对应的结构。为了实现结构自动设计算法,本文提出了结构自动设计网络（SADN）和与其对应的预训练方法——ST-STR。在训练数据量相同的情况下,ST-STR方法可以有效的对结构自动设计网络进行训练,达到较好的训练效果。基于结构自动设计算法,本文对遗传算法进行了改进,提出了SADN-REGA算法。SADN-REGA算法在面临新的环境时首先利用结构自动设计算法设计模块机器人的结构,接着利用遗传算法搜索合适的动作。与两阶段自重构算法相比,SADN-REGA算法减少了遗传算法的搜索空间,提高了遗传算法的运行效率。最后,通过与RE-GA和CEM-RL等演化及强化算法的一系列实验对比,证明了TSRA和SADN-REGA算法可以使机器人自动的调整自身结构和控制策略以快速通过任务环境。