对抗是现实中十分常见的问题,小到游戏,大到战争处处都有对抗的影子。智能体攻防对抗是一种典型的对抗问题,其对抗主体由若干防守者与若干进攻者组成,防守者的任务是防守平面上的某一目标区域免于被进攻者靠近。对该问题的研究主要存在两个关键点:首先,攻防对抗问题属于微分博弈问题,需要对博弈的纳什均衡状态进行理论分析。其次,在实际应用问题中,需要设计适当的控制器以指导智能体的博弈过程向均衡状态发展,随着无人设备的智能化,控制器的设计也在寻求人工智能的解决方案。本文以攻防对抗问题为研究对象,将智能体攻防对抗问题分为双智能体攻防（一攻一防）与多智能体攻防（多攻多防）等场景,对相关问题进行了数学定义,理论均衡分析以及相适应的策略学习算法设计与改良,并设计出一套多无人车系统以对上述理论工作做实验验证。相关的研究重点包括如下:（1）对双智能体攻防问题进行数学定义与理论均衡分析;对多智能体攻防问题进行数学定义,并对三智能体攻防对抗问题进行了理论均衡分析;分析履带式车辆的运动学特性,建立移动机器人的运动学模型。（2）针对有限视野状态下的双智能体攻防问题,本文基于Q学习原理设计了一种解决该问题的学习算法,仿真实验证明该算法可以有效解决双智能体攻防问题。针对Q学习算法收敛慢的缺点,本文提出了一种基于人工势场法的改进Q学习算法,实验表明,改进方案有效加速了 Q学习算法的收敛速度。（3）针对复杂情况下的多智能体攻防问题,本文设计了一种基于MADDPG算法的控制器,仿真实验证明该算法可以有效解决多智能体攻防问题。针对MADDPG算法信息利用率低,资源占用大,算法收敛慢的特点,本文进行了相关的改进工作。实验表明,改进后的MADDPG算法收敛速度明显提升,对各种任务场景也都有较强的适应能力。（4）针对攻防对抗算法的实验验证问题。本文设计出一套基于机器人操作系统与超宽带定位系统的多无人车平台,并基于该平台在多种场景下展示了改进Q学习算法与改进MADDPG算法的控制效果。通过实物实验,进一步证明了上文所述运动学模型与理论均衡分析的正确性,以及相关训练算法的有效性。