任务分配一直是集群问题的研究热点。集中式任务分配受中心节点控制,对其依赖度高,传统的集中式算法比如粒子群等优化方法容易陷入局部最优;分布式任务分配具有更好的鲁棒性,更适合动态和大型的系统。分布式任务分配之后,节点之间的信息交互强度应该改变,具有相同目标的节点应该增强连接,目标不同的应将连接削弱,节点间聚类以提高任务执行的效率。基于最小均方误差准则的分布式自适应滤波被应用于多任务聚类,结构简单且易于实现,但是过于依赖高斯噪声环境;信息论学习被成功地应用到自适应滤波中,很好地解决了非高斯噪声条件下的滤波问题,但是对多任务环境下的研究较少。本文以扩散信息论学习为重点研究内容,提出了基于扩散信息论学习的多任务聚类算法,弥补了扩散最小均方差算法在非高斯噪声条件下的不足。本文的主要研究内容包括几个方面:（1）本文提出了基于扩散信息论学习的多任务聚类算法。以往基于扩散策略的自适应滤波算法主要应用于单任务场景,然而在实际情况中,多任务的情况则更常见;在多任务聚类的场景中,算法通常基于最小均方误差准则,这类算法在高斯噪声条件下性能优越,但在非高斯噪声条件下,性能将大大降低;而信息论学习的相关算法在非高斯噪声条件下往往有很好的收敛性和稳态误差。基于以上前提,本文提出了基于扩散信息论学习的多任务聚类算法,并利用最大相关熵进行邻居节点之间的权重更新以实现多任务自适应聚类。（2）提出了分布式任务分配——聚类——flocking集群控制及避障的集群新框架。集群进行分布式任务分配后,具有不同目标的节点间可能存在较强的联系,而具有相同目标的节点间可能连接微弱,因此任务分配后的聚类是非常必要的;而具有相同目标的智能体如何相互避撞且自动避开障碍物地前往指定的目标位置,是集群运动控制中必不可少的一环。（3）基于Qt框架实现集群任务执行的全过程。从集群任务分配到多任务聚类,最后控制集群前往指定的目标位置。