分布式控制的多智能体系统（Multi-Agent Systems,MASs）具有灵活性强、鲁棒性好等优势,但在机器人、无人机等集群系统中往往受到计算能力、通信环境、能量消耗等限制。如何设计以任务为驱动的计算和高效利用通信资源的机理成为亟待解决的关键科学问题。近年来,人工智能和脑启发智能技术的不断发展为多智能体执行协同任务提供了新的研究思路。因此,本文研究如何使用脑启发的认知仿生机制建立相应的系统模型来解决多智能体协同“编队”和“避障”这两类场景下的问题。针对“受限于通信资源的多智能体协同编队”这一问题,如何在有限的通信以及计算资源的前提下,实现智能体之间高效的合作机制是目前研究中的重点和难点。本文搭建类似于联邦学习的去中心化控制的系统模型,实现智能体之间在不直接“沟通”情况下依旧能够完成智能群体的协同。在算法层面,本文提出结合脑启发的共识主动（Stigmergy）机制与异步优势Actor-Critic（A3C）的“A3C-S”算法来解决这一问题。具体来说,共识主动机制可以在开始阶段将智能体吸引到信息素浓度高的位置,而A3C算法可以在智能体围绕目标点移动时协调智能体之间的行为,在高效完成系统任务的同时降低了对网络通信的负担。针对“多智能体协同避障中传感器资源优化”这一问题,如何结合多传感器丰富的环境感知能力的优势,让智能体可以在执行特定任务时以尽可能少的传感器资源开销而保持稳定的性能是亟待解决的关键问题。本文借鉴脑启发的注意力（Attention）机制,设计了一种多智能体系统合理分配有限资源的方法,从而将更多资源集中在关键任务,为解决以上问题提供了一种新的思路。特别地,本文提出了基于DQN架构的脑注意力启发的传感器智能选择方法,通过传感器在工作时依照环境所需进行“注意力”动态调整,从而减少机器人在探索环境过程中不必要的传感器开销。此外,利用ORCA算法将机器人之间近距离通信获得的信息与传感器的智能选择结果结合,实时规划机器人的运动速度从而完成整体的路径规划与避障。最后,本文使用Webots仿真平台及KEHEPERA Ⅳ机器人平台来验证模型的有效性。经过大量仿真和实验的训练和测试证明,本文使用的脑启发方法相较于传统的运动规划算法或是机器学习算法,在系统模型的搭建难度以及算法的性能等方面具有更大的优势,这也为脑启发机制在多智能体协同任务场景的应用提供新的思路。