Agent的信任和多Agent系统是人工智能和电子商务领域中重要的研究方向。人类社会中的信任是人类解决复杂问题的有效机制之一，信任在多个领域中都得到了广泛的研究。在多Agent系统的合作求解中引入信誉机制，可以有效的帮助Agent对交互对象的选择问题进行解决，是一个值得研究的课题，也具有一定的实际应用价值。Agent是计算世界中抽象的交互实体，信任在多Agent系统中的研究应当具有发现计算实体之间信任的一般规律的任务，分布的Agent自主进行信任评价的一般模型也是信任的重要研究课题。　　本文重新定义了信任并且从不同的方面分析了它的特点并通过自组织映射图来实现信任-信誉模型中的信任学习和信任估计，声誉生成和声誉传播。在这个模型中，引入了传统的自组织映射网络(SOM)并创建了基于SOM的信任学习(STL)算法和信任评估(STE)算法。STL算法解决从Agent过去的交互历史中学习信任的问题，而STE算法帮助Agent对学习到信任模式进行可信度的评估。本文还提出了多Agent的信誉生成和传播机制，这个机制利用从STL算法学习到的模式生成对特定Agent的信誉，设计的三种信誉传播方法作为这一机制的一部分为信誉的在传播过程中的路径选择提供了基础。接下来，本文使用基于几何距离的相似度比较算法来比较STL算法生成的不同信任模式之间的差异，为Agent尽快找到最优的信任模式提供了依据。最后，基于提出的理论本文以一个电子商务的交易环境作为场景设计了一个原型，并将这个模型和传统的信任模型进行了比较。同时，对该模型中是否存在信誉以及是否存在信任模式的相似度比较两方面进行了比较。结果表明，此模型可显著地提高测试场景的性能和效率，同时，信誉和信任模式的相似度比较在此模型中对性能和效率有着直接的影响。　　本文建立的一个基于自组织映射网络的信任和信誉模型，目的在于使多Agent系统能够适应环境，使得Agent之间先前的交互信息作为自己信任学习的基础。通过信任学习、信任评估以及信誉的生成和传播等过程来使得基于Agent的电子商务更加高效安全的运行。