人工智能自诞生以来,随着理论和技术的发展,已经逐渐应用在各个领域。人工智能其中一个重要的分支为神经网络。从传统的需要人为设计的神经网络再到与进化算法相结合产生的进化神经网络,以神经网络为模型的技术已经在模式识别,自动控制,多智能体系统等多个领域解决了许多问题。即时战略游戏作为现代计算机游戏的一个分支,包含了人工智能研究领域的诸多特性,如不确定性决策、庞大复杂的状态空间和行为空间、多智能体协作等。此外,即时战略游戏模拟了一个复杂而又逼真的环境,为人工智能的研究提供了直观、实时的反馈,而且不存在现实环境中很多混乱的属性以及硬件上的消耗,使其成为研究人工智能技术的优秀平台。因此,本文利用即时战略游戏作为研究人工智能的测试环境。作为模拟现实世界的战争游戏,在即时战略游戏场景中会存在多个智能体,如何有效率地控制多智能体,使多智能体相互之间能协调、合作地完成目标是本文的主要研究内容。本文利用进化神经网络设计多智能体模型,使智能体在测试环境中能够和其他智能体之间相互配合与协作,尽可能以高效率完成目标。本文的主要研究工作和研究成果有：(1)总结国内外近年来使用即时战略游戏作为测试环境的研究,其中包括强化学习、基于案例推理、博弈树搜索以及蒙特卡洛规划等；(2)总结进化神经网络的特性,将固定拓扑结构的神经网络用于多智能体模型的设计,具体是将遗传算法和BP学习算法相结合再应用于多智能体模型中,提升了多智能体在测试环境中的执行性能；(3)对一般的点杂交算子进行改进,实现边缘点杂交,提升了基于遗传算法的进化神经网络的性能；(4)将一种新型的进化神经网络,拓扑扩张的神经演化(NEAT)用于多智能体的设计中。设计一种新的神经网络模式,该模式是通过一个基于NEAT的神经网络控制所有的智能体,并通过实验验证基于这种神经网络模式设计的多智能体在测试环境中的有效性。