自然界存在许多有趣的生物现象，例如鸟类的蜂拥、鱼类的群集、蚂蚁的聚集，还有萤火虫的同步闪光和大雁的排队飞行等等。这些看似简单的行为却具备显著的整体特性，能够完成简单个体单独无法完成的复杂任务。受到生物系统协同行为的启发，近年来科研人员对多智能体系统进行了深入的研究。网络是多智能体系统完成协同任务的关键，然而实际的网络环境并不理想，有许多制约和不确定因素，因此在实际应用中多智能体系统必须考虑并解决网络化引入的问题。本文研究网络约束条件下多智能体系统的一致性问题，主要内容如下：研究了一般线性模型多智能体系统的同步采样数据一致性问题。固定拓扑情况下，本文利用连续时间模型并考虑采样数据本身的离散时间特性来分析一般线性模型的同步采样数据一致性问题。该方法的优点是避免了系统离散化而产生的指数不确定项，同时又降低了忽略采样特性带来的保守性。切换拓扑情况下，本文首先将采样数据一致性问题转化为连续时间时延一致性问题。然后利用平均理论方法证明了如果平均拓扑条件下能够解决连续时间时延一致性问题，并且拓扑切换速度足够快，那么切换拓扑情况下原系统也能实现一致性。系统变换虽然引入了保守性，但是为处理切换拓扑情况下一般线性模型，特别是指数不稳定线性模型的采样数据一致性问题提供了新的途径。研究了一般线性模型多智能体系统的异步采样数据一致性问题。固定拓扑情况下，本文首先将异步采样数据系统转换为同步的多输入时延采样数据切换系统。在此基础上，利用采样数据系统的离散时间特性分析系统的一致性。与已有方法相比，本文采用的方法不是离散化一般线性模型，也不是直接将异步系统转换为连续时间时延系统，而是转换为具有采样时延的同步采样数据系统，并考虑采样时延的特性，因此保留了更加完整的系统特性。切换拓扑情况下，则利用与同步采样情况相同的方法，区别在于异步采样对应的是多输入时延系统。研究了一般线性模型多智能体系统基于事件触发的采样数据一致性问题。为了设计适用于一般线性模型的分布式事件触发策略，本文利用模型变换将输出矩阵满足列满秩的一般线性模型转化为单积分模型。在此基础上设计固定和切换拓扑情况下的分布式事件触发策略，由此得到非指数不稳定线性系统的一致性充分条件。对于指数不稳定系统，本文设计了基于模型预测的事件触发控制器。与基于模型变换的方法相比，基于模型预测的动态控制器及事件触发策略的设计具有更高的灵活性，有利于根据事件触发的性能指标来设计控制器参数，或者是联合设计。研究了固定拓扑情况下一般线性模型多智能体系统具有通信时延的一致性问题。首先基于截断时延补偿和模型变换的思想给出了具有时延补偿的控制器设计方法。结果表明，通过调节耦合增益，一致性控制律对任意有界通信时延具有鲁棒性，但该方法不适用于指数不稳定系统。然后对于一般的输出反馈，将解耦后的系统转换为参数不确定时滞系统，再利用互联反馈系统中的小增益定理给出了控制器设计方法。针对更一般的协同控制，讨论了多智能体系统的群一致性问题，分别从耦合权值和网络拓扑的角度研究了实现群一致性的方法。首先将影响群一致性的因素分解为子群内和子群间两部分，从而得到了群一致性的充分条件，该方法适用于更一般的耦合权值平衡的多智能体系统。然后分析非负权值网络拓扑的连通性向量，并利用分布式估计器得到了该向量。基于估计的连通性向量设计网络拓扑选择算法，进而实现群一致性。