多智能体系统是由多个智能体组成的复杂网络计算系统,可以实现单个智能体系统或是单个智能体无法处理的复杂的特定任务。近十年来,多智能体系统及其相关研究成果已被广泛应用于传感器网络、多无人机编队协作、智能制造等诸多领域。趋同跟踪的关键问题是要在多智能体系统中所有智能体之间进行信息交流时找到合适的控制策略,使系统中所有的智能体在某些状态量（速度、位置等）趋于一致。考虑到多智能体系统运行时会存在时空（空间和时间）演化特征,本文研究了由偏微分方程描述的分布参数多智能体系统,它考虑了系统中每个智能体的状态量在时间和空间这两个变量的因素下的变化。由于迭代学习控制是智能控制的分支之一,它不依赖于系统的精确模型,适用于被执行重复任务的多智能体系统的趋同跟踪控制。本文针对几种不同模型的分布参数多智能体系统的趋同跟踪控制问题进行研究,设计了相应的迭代学习控制算法,通过严格的数学理论分析与证明得出了系统的收敛性条件,并分别对其进行了相应的数值仿真实例验证。本文包括了以下三个部分:1.针对具有状态扰动和输出扰动的连续抛物型分布参数多智能体系统,设计了一种P型迭代学习控制律。当智能体的初始状态值不为零的情况下,通过严格的数学分析与证明给出了系统的趋同跟踪误差的收敛性条件,并通过数值仿真验证了所设计的算法的有效性。2.考虑了含有状态时滞的连续抛物型分布参数多智能体系统,分别研究了该系统在线性与非线性两类情形下的趋同跟踪控制。设计了含有虚拟领导者跟踪误差的迭代学习控制算法,对其进行严格的数学理论分析与证明,得到了系统的趋同跟踪误差的收敛性条件,并在数值仿真中验证了该算法在系统存在状态时滞情况下的有效性。3.研究了具有时空离散的分布参数多智能体系统趋同跟踪控制问题,分别为抛物型和双曲型分布参数多智能体系统模型,利用相邻智能体间的信息传递特点,设计了基于趋同的迭代学习控制算法,在进行严格的数学推导证明下得到了系统趋同跟踪误差的收敛性条件。最后由两个仿真实例分别验证了该算法在各自系统中有效性。