近年来,人工智能领域日益关注如何获得与人类相近甚至超越人类的决策模型。模仿学习是解决决策问题的一种可行方法。模仿学习是指从专家的决策数据中学得到接近专家的决策模型。基于生成对抗网络的模仿学习方法(Generative Adversarial Imitation Learning,GAIL)是一种新兴的模仿学习方法。其特点是具有很好的鲁棒性、感知能力和计算效率,它能够处理复杂的大规模问题。然而,GAIL对专家数据样本有很强的假设限制。它假设专家样本来自单一专家、并且是正确的。在许多实际问题中,由于专家个体不同以及存在失误的可能性,前述假设难以满足。针对该问题,本文放宽了 GAIL专家样本的假设限制,提出了两种在带有多类专家样本情况下的模仿学习方法,从而使算法能够应用于更为实际的问题。具体研究内容分为以下两个部分:(1)基于带辅助分类器生成对抗网络的模仿学习方法。针对专家样本中存在多种类别样本情况,提出在原始基于生成对抗网络的模仿学习方法基础上引入一个分类器,进而提出了基于带辅助分类器生成对抗网络的模仿学习方法的训练算法。在模拟环境中的实验结果表明,该方法利用分类器辅助判别器有监督地学习样本的类别,使判别器能够感知样本的类别信息,从而实现在多类样本下的模仿学习。并且,相较于一种已有的无监督学习方法,该方法能够更为精确、有效地学习各类专家样本。(2)带失败样本的基于生成对抗网络模仿学习方法。专家样本中存在失败样本是专家样本存在多类样本的一种特殊问题。针对该问题,方法构建了一个记忆池来存储和回放失败样本,并利用重采样的方法重复利用失败样本。在此基础上,提出了带失败样本的基于生成对抗网络模仿学习方法的训练算法。通过重复利用失败样本,该方法不仅能够获得比专家更优的动作成功率,还能提高样本利用率。实验表明,该方法能处理专家样本既有成功样本又有失败样本这种特殊的带多类样本模仿学习问题。