Agent学习是近年来广泛受到人们关注的热点问题之一。针对agent学习过程中,agent本身属性以及环境所存在的动态模糊性特点,本文基于动态模糊逻辑(DFL),给出了一种多agent学习模型,包括agent心智模型、agent的心智状态及其相关公理、agent的工作原理、即时回报的单agent学习算法、基于DFL的Q-learning算法、多agent学习算法等,并将这些算法用于解决实际问题,实现了基于DFL的纸牌游戏系统。由此可以看出,本文的特色主要体现在如下几个方面:(1)提出了基于DFL的agent心智状态模型,为研究agent学习模型及算法奠定了基础;(2)提出了基于DFL的单agent和多agent学习模型算法,进一步丰富和发展了agent学习的基本内容;(3)实现了多agent学习算法在纸牌游戏中的应用。当然,这些工作还很初步,还有许多方面需要进一步研究:如学习算法的优化,模型在具体领域的应用等。