随着科技的发展,以及人工智能领域各项技术的逐渐成熟,多智能体系统已成为人工智能一个热门研究方向。多智能体系统由分布式人工智能演变而来,其研究目的是解决大规模、复杂、实时和有不确定信息的现实问题,而这类问题是单个智能体所不能解决的。多智能体深度强化学习是解决多智能体问题的重要方法,但目前的多智能体深度强化学习方法主要针对只有数个智能体的环境,而在多智能体越来越庞大的环境中,智能体的策略变得更加重要也更加困难,很多方法很难有效。本文的主要研究内容包括:（1）提出了一种基于加权平均场的深度强化学习多智能体系统协作算法。利用平均场思想,同时基于相关属性集为各个智能体行为赋予不同的权重,将智能体联合动作转变其他智能体的通过加权平均场所形成的平均动作,并作为多智能体深度强化学习中的值函数和状态函数等更新函数的参数,简化了交互的规模。本文通过仿真对抗实验展示了该协作算法的有效性。（2）一个智能体在与环境进行交互的时候对其他智能体的状态和行为进行针对性的了解是至关重要的,原先的加权平均场方法没有考虑这些动态,而是在任何时间点将所有的智能体权重考虑成相同的。所以我们采用注意力机制,构建了注意力网络,能够在训练过程中的每个时间点动态选择要关注的智能体,给予动态的权重,从而提高具有复杂交互的多智能体系统的性能。