分布式模型预测控制（Distributed Model Predictive Control,即DMPC）,具有优越的控制性能、容错性和灵活的结构,并能够有效地处理各类约束,因此在工业的各个领域中应用广泛,其支撑理论的研究也是当今的一个热点课题。最近,分布式模型预测控制在系统稳定性分析以及在线优化的求解等方面已经取得了卓然的成果。同时,在大规模复杂系统中,耦合广泛存在,而在分布式结构下,耦合部分的存在使得子系统的优化问题无法得到有效求解。因此,针对模型预测控制问题中耦合项的解耦以及在线优化求解,是设计相应控制策略和算法的关键所在。同时,如何设计解耦后的各个子系统的终端集和容许约束,降低系统通讯成本,减少在线计算量;如何保证算法优化求解过程中的迭代可行性、闭环稳定性等也是该类问题的研究难点。耦合问题主要包含状态或控制输入相互耦合、成本函数耦合以及系统间的其他耦合约束。本文分别研究了基于全局约束耦合的DMPC问题,成本函数耦合的DMPC问题,以及具有子系统间通过状态相关联的DMPC问题。针对上述三类问题,我们提出相应的解耦策略并设计相关算法求解。文章的主要内容概括如下:我们首先简要介绍了模型预测控制的研究背景、基本原理,以及相关的凸优化基本概念。在第二章的研究中,我们主要考虑线性离散时间系统具有局部（非耦合）和全局（耦合）约束的分布式模型预测控制问题。针对系统的在线优化求解,本章中给出了两种分布式算法。首先,选取的适当的解耦方法,即基于整体系统的模型预测控制问题的对偶问题,并将该问题转化为可分优化问题,然后应用基于增广拉格朗日法（Augmented Lagrangian method,即ALM）的并行和部分并行的分裂算法求解一致性优化问题,同时获得系统的最优控制输入。基于对系统参数变量、控制输入变量和状态变量可行集的合理假设,系统的稳定性和迭代可行性均能够得到保证。此外,本章还给出了分布式优化算法的数值仿真。在第三章的研究中,我们主要针对多智能体系统中的控制问题,考虑了基于多个动力学模型不同的离散线性时不变系统的预测控制问题,并且子系统之间存在成本函数耦合和耦合约束。同时,本章中选取了更广泛的具有物理意义的范数形式的耦合约束。针对系统的控制性能,本章中给出了基于Lyapunov稳定性、满足耦合约束的终端集和终端成本函数权重矩阵的设计。在本章中,通过应用基于ALM的并行的分裂算法完成优化问题的求解,并保证了基于一定假设条件下算法的的迭代可行性以及整体系统的闭环稳定性。我们通过数值仿真对该分布式模型预测控制算法进行了验证,结果表明该分布式算法在保证系统性能的同时缩短了优化时间,降低了通讯成本。在第四章的研究中,我们以网络控制为背景,主要考虑了子系统间存在状态相互耦合的分布式模型预测控制问题。该问题的控制对象选取为由多个动力学模型不同子系统构成离散线性时不变系统。首先,我们基于“冻结”的思想完成系统间的解耦;然后,针对解耦后的系统,提出了一种基于独立性能指标-独立预测模型的分布式交替方向乘子法（Alternating Direction Method of Multipliers,即ADMM）,完成优化问题的求解,并在分布式模型预测控制中达到系统稳定的控制目标;最后,通过数值实验验证了该分布式算法的有效性。