多无人机自主协同目标搜索是当前研究的热点。无人机在全局未知环境下的目标点搜索及路径优化和多无人机协同任务分配是其中最主要的问题,本文针对上述两个方面开展了研究,具体工作如下:（1）对未知环境下的目标点搜索及路径优化展开研究,将无人机在未知环境下执行任务分为两个阶段:任务点搜索阶段和最优路径寻找阶段。在任务点搜索阶段,通过增加无人机的飞行速度提高探索的效率;在最优路径寻找阶段,设计混合速度在任务区域内寻找到达任务点的路径。基于上述两个阶段,提出了自适应转换速度的Qlearning算法（Adaptive Conversion Speed Q-Learning Algorithm,ACSQL）,改进了强化学习算法的状态空间和动作空间,同时设计了复合奖励函数。为解决算法出现的收敛慢、不确定性高的问题,在任务搜索阶段结合无人机传感器探测信息,对Q表进行初始化;为减少不必要区域的探索,在最优路径寻找阶段使用子区域规划的方法。仿真结果表明,ACSQL算法能够有效实现无人机在全局未知环境下的自主导航及路径优化。（2）对多无人机协同任务分配展开研究。针对现有算法在负载均衡和执行效率方面的不足,给出了改进的自组织映射（Improved Self-Organizing Mapping,ISOM）算法。算法主要从以下两个方面进行了改进:一是根据飞行时间和执行任务时间设计了无人机的负载均衡度,用来提升完成任务的效率;二是设计了非线性变化的学习率和邻域函数,保证算法的稳定性和快速收敛。为了提升多无人机在执行任务时的鲁棒性,结合注意力机制完成对任务区域内出现新任务和无人机坠毁事件的处理。与其它算法的实验对比表明:ISOM算法在完成任务时间和航迹长度上均有改善,显著提升多无人机执行任务的效率。