O desenvolvimento de agentes autônomos capazes de realizar tarefas com a mesma destreza que a realizada pelos ser humanos é um dos desafios da Inteligência Artificial e Robótica. Isto motiva a pesquisa em robôs humanoides inteligentes, em especial, o futebol robôs humanoides como um banco de ensaio, pois trata-se de um ambiente dinâmico e que, cada agente em um time deve escolher a melhor ação visando maximizar o resultado do time, isto é, vencer a partida. Neste contexto, este trabalho apresenta um novo algoritmo para o Raciocínio Baseado em Casos Qualitativos (QCBRL), um modelo de Raciocínio Baseado em Casos que utiliza um formalismo do Raciocínio Espacial Qualitativo para representar, resgatar e reutilizar casos por meio de relações espaciais qualitativas entre os objetos no ambiente. Combinado com o método de Aprendizado por Reforço, o QCBRL permite ao agente aprender novos casos qualitativos em tempo de execução, sem a realização prévia de uma etapa de aprendizagem. Visando evitar os casos que não resultem em máximo desempenho, o QCBRL realiza a manutenção da base de casos, excluindo estes casos e aprendendo novos (mais adequados) casos. Os experimentos e análises do QCBRL foram realizados em cenários de futebol de robôs simulados e com robôs humanoides reais. Os resultados da execução do QCBRL mostram que o processo de resgate foi cerca de três vezes mais rápido e que o robô marcou uma média maior de gols do que os métodos com modelagem quantitativa.