智能规划是人工智能领域一个重要的研究内容。在经典规划中，规划问题满足以下的假设：即初始状态是完全给定的，动作的执行效果是确定的，环境的改变总是可完全预知、完全已知的，这使得所生成的经典规划器的处理能力极为有限。为了能够满足现实世界的需要，近年来，具有不完全信息和不确定信息的规划问题已经受到研究者的高度重视。在这方面已取得的重要成果有：基于图规划所做的一系列改进如CGP、SGP，基于模型检测方法生成各种通用规划等。 模型检测是基于对有穷状态自动机进行穷尽搜索的一种形式化验证方法。由于模型检测技术已经比较成熟，有很多有效的搜索方法，而规划问题又可形式化为有穷状态自动机，所以把模型检测应用到规划中是非常自然而合理的。但在处理真实世界中大规模的状态空间时，这种方法会引起状态空间爆炸问题，所以人们又利用有序的二元决策图(OBDD)这种命题公式的紧凑表示来表示有穷状态自动机，采用这种表示大大地节省了空间，可以成功地处理大规模状态空间问题。 本文采用基于OBDD的符号模型检测方法来解决规划问题这一方法，对以下内容做了创新性研究： 提出了基于符号模型检测方法的应对规划算法，此算法结合爬山法和模型检测中的弱通用规划算法，并利用感知动作感知环境Agent的行为结果。 在UMOP系统的基础上，实现了应对规划系统。本系统采用启发式搜索策略，从而加快了问题求解速度；采用具有强大表达能力的NADL规划域描述语言，可以处理非确定动作和多Agent的规划域；本系统针对现实世界中一类复杂的规划问题——应对规划问题，进行求解，因此在实际应用中具有更广泛的应用价值。