学习自动机（Learning Automata，LA）是模拟生物学习行为的数学模型，属于加强学习领域。学习自动机因其具有完备的理论保证和良好的抗干扰能力，可广泛应用于随机点定位等各种实际问题的解决中，发展前景可观。在这样的背景下，本文对并行式和合作式多学习自动机模型和应用展开研究。　　首先通过分析经典并行式学习自动机模型，给出一种基于分散学习的并行式模型。该模型改进了经典并行式模型的运行框架，先通过学习自动机独立分散的与环境交互，再利用融合器对各学习自动机得到的学习结果进行融合。本文先介绍该模型，再从理论和仿真两方面验证了基于分散学习的并行式模型的收敛性和运行速度。　　其次，本文基于上述研究成果研究随机点定位问题，针对随机点定位方法CPL_ADS在学习自动机搜索和子区间消除阶段中存在的局限性，分别给出解决方案。结合上述的并行式模型，加快了学习自动机搜索阶段的速度。同时给出基于动态规划的子区间消除算法，降低了子区间消除阶段的复杂度，对现有算法做出优化。　　最后，本文给出一种针对不同学习自动机算法的合作式学习自动机模型，该模型能够有效减少通信量。本文给出了合作式学习自动机模型框架，从理论上证明该模型的收敛性，再通过仿真实验验证了合作式模型对单个学习自动机速度的提升。最后，针对学习自动机在类智能教学系统模型的应用问题，用合作式学习自动机模型对系统中的学生交互模型进行模拟，不仅提高了迭代速度，也提高了学习精度，取得了较好的应用效果。