随着技术的不断进步,无人机由于其机动性强、部署方便、成本小等特点,被应用于各种领域。当任务数量越来越多,任务约束变得越来越复杂时,单无人机已无法满足任务的需求,逐渐演化为多无人机协同的执行模式。多无人机协同时,必须考虑无人机与任务的众多约束和目标,这使得任务分配成为多无人机协同系统中的关键环节。现有的任务分配缺乏对完整的多无人机多任务分配系统的研究,并且分配方法效率较低,处理大规模任务的能力不足。同时,按照任务的初始约束条件进行任务分配,忽略了任务随机下达场景下时间约束带来的任务完成度低等问题。因此本文针对多无人机多任务动态分配方法进行了研究。具体研究工作如下:（1）针对多无人机多任务动态协同系统的任务协同低效性问题,提出了一种分层系统架构,具体包含控制层、分配层和执行层。控制层负责任务的生成与下达;分配层负责任务的静态初分配,将任务划分为多个子任务并按照优化目标将子任务分发给无人机;执行层负责执行任务和任务的动态再分配,在执行过程中根据任务执行情况对任务进行动态再分配。（2）针对任务静态初分配中由于任务规模大、任务特征多导致的任务分配效率低、分配结果精度低等问题,本文提出了一种分段式任务静态初分配的方法。首先通过k-means聚类算法和遗传算法分别进行子任务的分类和子任务内部的路径规划,利用降维处理的方式简化多无人机多任务的分配问题,实现子任务的划分。然后,通过改进遗传算法实现子任务的分发,该方法提出通过结合最优保留策略和轮盘赌的方式进行染色体的选择,既保留了最优样本,又提高了样本的多样性。同时改进了交叉方式,将染色体按照适应度函数值排序,进行分类交叉。并且对交叉概率与变异概率均根据当前染色体的适应度函数值进行动态调整,由此加快算法收敛速度。实验结果表明,该任务静态初分配方法与现有任务分配方法相比减少了33%的整体飞行距离,并实现了无人机资源均衡。（3）针对任务随机下达场景下忽略时间约束带来的任务完成度低的问题,提出了一种基于深度强化学习的任务动态再分配方法。在任务执行过程中,无人机之间进行信息交互并对全局任务的开始时间、坐标、任务量等特征进行实时量化,形成无人机共享的全局任务信息。同时,每个无人机根据实时的全局信息生成所执行任务的新的优先级特征,并基于深度强化学习算法进行决策,在时间约束下动态调整子任务的执行顺序,完成多任务的动态再分配。实验结果表明,在时间约束的条件下,提高了随时下达新任务场景中30%的系统任务完成度。