仿生机器鱼是受鱼类启发研制的水下航行器,因其高效率、低噪声、高机动型等特点,受到人们越来越多的关注。研究仿生机器鱼群中机器鱼动力学模型,继而研究机器鱼运动控制及优化,研究鱼群的编队控制,可为多仿生机器鱼协调控制打下坚实的基础。本文以多仿生机器鱼为研究对象,开展动力学建模、仿生机器鱼运动控制和鱼群编队控制等研究,主要研究内容如下:首先,阐述了进行多仿生机器鱼运动建模与控制的研究背景与研究意义,综述了多机器鱼动力学建模、仿生机器鱼运动学控制和多机器鱼编队等方面的国内外研究现状,简述了本文章的章节架构及研究内容。其次,建立了仿生机器鱼动力学模型并进行了多仿生机器鱼游动仿真。多仿生机器鱼在游动过程中受波浪力、机器鱼之间的相互作用力、流体阻力等影响,建模是一项难题。为此,首先对仿生机器鱼群系统进行受力分析,然后综合考虑横向波浪力、流体阻力、机器鱼之间的相互作用力等因素,建立了动力学模型;在此基础上,利用ANASY Fluent仿真软件构建了仿真模型,进行了多仿生机器鱼游动仿真实验,分析了各影响因素对机器鱼群中机器鱼运动控制的影响,为后续研究工作的开展奠定了基础。再次,提出了一种混合脉冲神经网络（Spiking Neural Networks,SNN）和中枢模式发生器（Central Pattern Generators,CPG）的机器鱼仿生控制算法。该算法模仿生物控制肢体运动的分层控制机制,采用SNN作为上层决策网络、CPG为下层运动控制网络的两层控制框架。算法原理是针对仿生机器鱼的不同游动模式训练出相应的SNN模型,其输出的脉冲信号经构建的饱和函数输送至CPG,CPG输出信号控制仿生机器鱼的关节、胸鳍和尾鳍,从而产生运动。分层控制框架可以通过上层决策网络产生更为复杂的CPG构型,而且更加容易形成CPG反馈控制,这为多仿生机器鱼编队控制提供了运动控制算法支撑。最后,针对水中仿生机器鱼游动特点,提出了一种基于非线性模型预测控制（Nonlinear Model Predictive Control,NMPC）的多仿生机器鱼编队控制算法。多仿生机器鱼群游动时,由于水流、波浪、临近机器鱼等非线性影响因素众多,编队更加不容易控制。为此,采用非线性模型预测控制算法实现多仿生机器鱼编队控制,将编队控制与运动学模型和分层控制算法结合,建立了非线性模型预测控制器并进行了仿真分析。为了验证NMPC方法的效果,进行了与纯追踪算法（Pure Pursuit,PP）编队控制的仿真对比。最后在实验室的多仿生机器鱼控制平台进行了机器鱼编队控制实验,实验结果验证了该算法的有效性。