Pac-Man是一款风靡世界的追逐躲避类游戏，其中的非玩家角色（一般称为NPC，即Non-Player Character）Ghost是由脚本控制的，而脚本控制的NPC通常存在着行为单一的缺点。使用进化神经网络训练NPC使其行动灵活多变，得到自学习自适应的agent。目前关于Pac-Man的研究主要集中于如何使得Pac-Man具有更强的躲避能力，而对于NPC角色Ghost的研究还比较缺乏。Yannakakis曾使用进化神经网络来训练Ghost，但他的方法存在一些缺点。其一是训练得到的Ghost只有一种行动类型，表现不出原版中Ghost行为多样的特点；其二是他所使用的游戏场景过于简单，适应度函数、参数的选择设定不能适用于真实环境。针对以上问题，我们做了以下工作：首先，尊重原游戏中Ghost性格不同的设定，对需要训练的Ghost设计相应的适应度函数，单独训练，达到它们表现各异的效果；其次，通过使用WCCI2008的Pac-Man游戏引擎进行仿真，既恢复了原游戏的场景，又选择了合适的适应度函数、神经网络输入、参数来描述游戏进行过程，使得实验结果更有说服力；最后，通过设置惩罚项，解决了训练得到的Ghost行动范围小的问题。实验结果显示了进化神经网络学习的效果，说明了本研究所建立的方法是可行有效的。