众多大规模工程系统中的决策,控制和学习问题都可以建模为多智能体网络下的分布式优化问题,如通信网络中的资源分配问题、无线传感器网络中的目标定位问题、智能电网中的经济调度问题、无人系统中的分布式编队控制问题、图像识别中的机器学习问题等。在多智能体网络的背景下,分布式优化的目的是智能体利用局部的信息和其邻居的交互信息,设计自身算法并相互协作找到全局目标函数的最优解。近年来,基于多智能体网络的分布式优化算法受到了学术界的广泛关注。特别地,由于一些实际系统对实时优化的要求和控制技术在算法设计和分析方面的优势,连续时间的分布式优化算法的设计越来越受到人们的重视。因此,研究连续时间的分布式优化算法来解决网络优化问题具有重大的理论价值及应用前景。本文从连续时间的框架出发,研究由多个局部目标函数的和构成的分布式凸优化问题,主要内容如下:（1）首先,本文考虑了一般约束下的分布式凸优化问题,其中,每个智能体只知道它的局部目标函数和局部约束集（包括闭凸集,等式和不等式约束）。为了分布式求解该优化问题的最优解,我们假定智能体之间的通信网络为一个无向连通图。基于该问题的一个等价形式和其KKT条件,首先提出了一个连续时间的分布式次梯度投影算法。通过使用非光滑分析中的LaSalle不变原理,证明了智能体的优化变量在一个最优解处达到一致。其次,从鞍点/原始对偶的角度出发,我们分别设计了微分投影动力学和原始对偶投影动力学,并证明了它们在各自平衡点的渐近稳定性。通过数值仿真,表明了所提算法的有效性并比较了它们的优缺点。（2）接着,本文研究了在有向强连通网络下的无约束分布式凸优化问题。从原问题和其等价的Fenchel对偶问题出发,我们分别设计了单时间尺度和双时间尺度下的连续时间协调性算法。当智能体的局部目标函数和它们的梯度分别满足强凸性和李普希兹条件时,证明了智能体的优化状态变量指数收敛到该问题的最优解。特别地,当智能体之间的通信拓扑在一组有向强连通且平衡图之间切换时,所提算法仍然以指数的衰减速度收敛到问题的最优解。另外,数值仿真验证了所建立的理论结果。（3）最后,本文考虑了一个有向多智能体网络下的资源配置问题,其中智能体的局部决策变量受限于闭凸集并满足耦合的等式约束。在网络拓扑是强连通的平衡图下,首先提出了基于投影反馈的连续时间分布式算法。当局部目标函数为强凸函数时,证明了智能体的输出状态渐近收敛到资源配置问题的最优解。特别地,智能体的决策变量指数收敛到退化资源配置问题（无闭凸集的情况）的最优解。其次,在强连通的非平衡图下,针对退化的资源配置问题,我们构建了基于权重平衡技术的连续时间梯度算法。在这种情况下,当局部目标函数和它们的梯度分别满足强凸性和李普希兹条件时,我们证明了算法的指数收敛性。此外,数值模拟验证了所提算法的性能。