多Agent系统(MAS)及其相关技术近年来受到越来越多的研究者的关注，被广泛应用到Internet、办公自动化、冲突协调、决策支持、开放式信息系统等众多领域。其中基于Agent的仿真建模(ABMS)是当前仿真与建模领域研究的热点，它是研究复杂适应性系统的主要手段。 强化学习不需要导师训练，仅通过试错法即可找到最优解或者接近最优解，是比较重要的一种机器学习方法，在马尔可夫决策过程等坚实的数学理论支持下，获得了成功。进一步将强化学习理论应用到多Agent系统(多Agent系统强化学习)是现在研究的热点和难点。 论文研究了多Agent系统理论，并对强化学习中的Q学习进行了重点研究，单个Agent的Q学习算法同样不能直接应用到多Agent系统中，本文提出Agent间通过对信息的共享，有效地将Q学习算法扩展应用到多Agent系统，提出了改进的多Agent系统强化学习方法。 多Agent系统理论非常适合应用于复杂适应性系统研究中，论文对一个复杂系统——人工神经网络的构建方法进行了分析和研究。将组成神经网络的神经元封装成Agent，通过Agent之间的交互完成神经网络相应的功能，提出了基于多Agent系统的人工神经网络的构造方法。这为神经网络的分布式实现提供了一条新途径。 同时，在基于MAS的神经网络中，将强化学习算法运用到调整网络权值算法中，实验效果比较明显。