受到昆虫、鱼群和其他生物的集体行为的启发,群体机器人系统能够使用个体间的有限通信信息和相似的简单分布式控制策略完成复杂任务。由于缺少能够对系统进行宏观控制的中心节点,群体机器人系统容易受到节点故障的影响,非合作行为通过通信扩散到整个网络,因此故障的检测显得尤为重要。群体机器人目标聚集是群体机器人研究中的一个基础问题,解决了机器人团队在保持群体行为性能的同时,协同移动到某一目标的问题。移动自适应网络是群体机器人目标聚集问题的有效解决方法,本文基于移动自适应网络以及其四种基本聚合规则,在群体机器人目标聚集问题中,对群体机器人故障检测算法进行研究。本文的主要研究成果如下:（1）将经典的基于理论估计值的故障检测方法运用至群体机器人故障检测,并在群体机器人目标聚集问题中,通过仿真和实际环境实验与原有移动自适应网络进行比较验证和分析。相比于原有移动自适应网络,基于理论估计值的群体机器人故障检测算法在准确性和容错性上性能有所改善。（2）将机器学习方法运用于群体机器人故障检测,对基于K-means聚类的群体机器人故障检测算法和基于多层感知机（Multi-Layer Perceptron,MLP）分类器的群体机器人故障检测算法进行研究,并在目标聚集问题中通过软件定义环境下构建训练数据集,进行仿真和实际环境实验。基于K-means聚类的群体机器人故障检测算法具有适用范围广、速度快、环境的适应性较强的优点。基于MLP分类器的群体机器人故障检测算法克服了基于K-means聚类的群体机器人故障检测算法对故障机器人数量的限制,对故障类型和数量表现出较强的适应性,且实时性和准确性均较高。（3）针对上述算法的不同特点,确定了不同故障环境下上述算法的使用规则。基于理论估计值的群体机器人故障检测算法适用于故障机器人较多,且实时性要求不高的场景,但阈值函数选取较为复杂;基于K-means聚类的群体机器人故障检测算法适用于故障机器人较少,且实时性要求较高的场景;基于MLP分类器的群体机器人故障检测算法适用于故障数量和类型未知的一般场景。