近年来,随着计算机和通信技术的飞速发展,大规模传感器网络、物联网系统得到了广泛的应用。随之产生的海量且空间分布广泛的数据对优化算法提出了更高的要求,这使得依托于信息交互、具有可扩展性的分布式优化算法成为当前研究的热点。其中,一个重要的方向就是研究分布式优化算法的加速机制设计,提升算法的收敛速度。当前的分布式优化算法加速机制设计大多建立在静态、无向的通信网络上,要求计算节点的通信必须是双向的,这使得算法在实际应用中面临很大的局限性,难以适用于通信网络结构多变,通信资源受限等场景。为增强算法的实用性,本文在一般有向的通信网络上研究了分布式优化算法的加速机制设计问题,并分别在静态有向网络和动态有向网络上提出了两类分布式优化加速算法,同时在理论上给出了算法收敛的充分条件,具体而言:（1）静态有向网络下的加速分布式优化算法:静态有向网络是一种不会随时间变化的固定有向通信网络。该类型网络不需要智能体间的通信都是双向的,降低了对网络通信条件的要求。本文提出静态有向网络下基于行随机权重混合矩阵（Row-Stochastic Weight Matrix）的分布式优化算法,称为RSM算法。该算法利用网络中每一个智能体在一次迭代中收到的信息的数量,即有向图的节点入度,来构造行随机权重混合矩阵,同时结合Heavy-ball动量方法,实现静态有向图上稳定可靠且收敛快速的分布式优化算法。（2）时变有向网络下的加速分布式优化算法:时变有向网络是一种可以随时间变化的可变有向通信网络。与静态有向网络相比,时变有向网络下的算法既包含了静态有向网络所有的应用场景,还增加了对复杂多变网络环境的支持。本文结合Heavy-ball动量方法以及Barzilai-Borwein自适应步长方法,提出了时变有向通信网络下的分布式优化算法,称为HBBB算法。该算法利用了网络中每一个智能体在一次迭代中发出的信息的数量,即有向图的节点出度,来构造列随机权重混合矩阵。使用Push-Sum方法消除了时变有向通信网络的不平衡性,依靠历史信息修正当前优化方向的同时自动调整每次迭代的步长大小,使其更快地收敛到最优解。特别地,为了降低HBBB算法中估计预设参数范围的难度,本文在静态有向网络的条件下提出了基于HBBB算法改进的循环（Loop）分布式优化算法,称为HBBB-L算法。该算法在最优预设参数下的表现并不会比HBBB算法更好,但是预设参数的估计难度得以显著降低。本文的研究重点是静态有向通信网络和时变有向通信网络上的分布式优化算法的加速机制研究,结合Heavy-ball动量和Barzilai-Borwein步长等方法,提出了RSM算法和HBBB算法。本文的研究结果丰富了分布式优化算法的使用场景,有助于提高分布式优化算法的收敛速率,减少时间的消耗,降低资源的浪费,具有重要的理论和实践意义。