近年来,随着现代科学技术的发展使得移动机器人性能不断完善,尤其是在通信技术、电子传感技术、控制合作技术等方面,多机器人系统在智能设计、军事领域、工业领域、教育领域以及娱乐领域等方面得到了不同程度的应用。然而随着实际环境中复杂不确定任务的频繁出现,如何构建多机器人系统之间的有效协作关系成为任务分配中的关键问题。因此本文针对有协作任务(即紧耦合任务)和无协作任务(即松散任务)的有效分配提出了两个算法。首先,为了解决松散任务的分配,本文提出了基于改进阈值的任务分配算法。经过多年研究已经证明传统阈值法有良好的动态分布性,然而其缺点就是阈值更新方式较为单一以及阈值难以设定,影响学习效率和分配效率。为了改进传统阈值法的缺点,本文提出了基于改进阈值的任务分配算法,通过将传统阈值法结合任务匹配评价值模型从而实现任务分配的学习过程,通过不断的迭代执行任务可以让阈值收敛到合理值从而使每一个机器人执行相对匹配的任务。其次,对于紧耦合任务的分配,本文提出了基于改进蚁群算法的多机器人任务分配算法。首先将蚂蚁以分组形式较为均匀的放置在任务上,并在初始时通过随机组合的方式为每个任务建立参考集,然后蚁群初始从任务出发通过信息素随机探索机器人并将其加入联盟解中,直到该解能够完成任务,记录此联盟解。待组内所有蚂蚁为紧耦合任务完成分配,记录蚁群算法本轮迭代中每个任务对应适应度最大的联盟解,并将该解与较优参考集进行比较从而更新每个任务的参考集元素以及任务与机器人路径上的信息素,更新之后再继续新一轮的迭代直到满足结束条件。再将该算法与改进阈值法结合去处理实际问题中的混合任务。最后,本文通过实验验证了这两种方法的合理性与有效性,通过改进传统阈值法有效提高了松散任务的寻优比例,并用改进后的蚁群算法提高了联盟解的收敛性能和任务分配效率。