随着先进通信技术和智能计算技术的高速发展,以此技术为基础的多智能体系统分布式协同问题正逐渐成为跨越人工智能2.0的重要途径,为通讯网络、智能控制、仿生机器人等前沿领域带来了新的挑战和机遇。人工智能2.0指出,通过多智能体的协同控制,可以在系统层面上涌现出超越单体智能能力的群体协同智能。与此同时,在多智能体的控制过程中,往往受到测量、状态、机动等方面的约束,对控制算法的设计提出了更高的要求,如特定的集群任务中,移动机器人的速度和位置需要被控制在规定的约束范围内。以此为背景,约束条件下的多智能体控制概念应运而生,本文旨在围绕跟踪、编队和环航三个重要的协同任务,解决速度测量约束、系统输出约束和机动构型约束条件下的网络化智能体系统协同控制问题,具体来说:针对速度测量约束条件下的分布式跟踪控制问题,利用等价和分离原理,提出了可应用于网络化分布式控制的自适应高增益观测器。据此,在有向通讯网络下,分别基于状态和输出反馈,提出了完全分布式跟踪算法。其中,为了补偿系统模型的不确定性,控制器结合了自适应神经网络的逼近特性,并证明了所有状态误差的半全局一致最终有界性。针对系统输出约束条件下的分布式跟踪控制问题,在只有部分跟随者可以获取动态领航者信息的条件下,设计了分布式有限时间滑模估计器,从而精准获取智能体自身的期望信号。为了满足系统输出约束条件,提出了针对分布式系统的积分障碍李雅普诺夫函数,并由此构造了分布式状态反馈跟踪控制算法。现有的障碍李雅普诺夫函数研究通常只针对单体系统,且由于其设计过程的独特性难以直接应用于分布式系统,本算法通过分布式观测器与控制器相结合的结构,将其扩展至多智能体系统,并改良了传统对数形式的障碍李雅普诺夫函数固有的保守性问题。针对经典编队控制算法中编队构型单一、静态和难以扩展等问题,在速度测量约束条件下,提出并定义了一种新型双层编队结构,能够表征复杂的多智能体异构模型和编队行为,并统一描述多种基本的分布式问题。基于此双层结构,解决了速度测量约束条件下的存在模型不确定性的多智能体分布式固定和时变编队控制问题。由于该双层结构的自然特性,可以将所提出的分布式输出反馈算法应用于异构智能体的编队任务。针对机动构型约束条件下的分布式环航控制,研究了三维空间中多智能体协同环航的轨迹分析、任务规划和控制设计问题,使网络化智能体系统围绕目标环航飞行,同时保持环航队列的几何布局。所提出的立体环航控制方法适用于动态目标和立体椭圆轨道,针对卫星集群的环航任务可以实现近零燃料消耗,并且闭环系统误差指数收敛。