在多智能体系统中,各智能体通过相互协调与合作更好地解决了个体无法解决的问题,因此多智能体系统的协同控制研究成为众多领域的研究热点,并在无人机、卫星编队、微电网等领域得到广泛应用。其中,针对周期性运动的多智能体系统,迭代学习控制因其结构简单、对建模准确性要求低以及鲁棒性较好等特点而逐步应用于多智能体系统中。现阶段多智能体迭代学习控制研究中,系统的收敛速度较慢,而工程应用中对系统的收敛速度要求较高。在实际控制过程中,智能体自身通信情况及环境因素导致系统的拓扑结构发生改变,则会影响系统的稳定性。本文针对以上问题,研究基于迭代学习的多智能体系统一致性控制问题。对于不同条件下的多智能体系统,在重复的时间区间内,设计的迭代学习控制律可使系统完全跟踪到理想状态轨迹。涉及的内容包括:（1）在固定拓扑图下,针对具有周期性运动特性的线性多智能体系统在重复时间区间上的一致性问题,利用迭代学习控制方法,分别对一阶积分器多智能体系统和一般线性多智能体系统,设计了多智能体一致性迭代学习控制律。利用压缩映射的方法对跟踪误差的收敛性进行分析,得到了系统完全跟踪期望状态轨迹的充分条件,使得多智能体系统可在重复时间区间内实现对领导者的完全跟踪。（2）针对多智能体系统的迭代学习一致性控制问题,考虑到现实工程应用中对系统收敛性的要求,提出一种基于有限时间算法的控制律。利用有限时间算法处理上一次迭代时各智能体与虚拟领导者间的跟踪误差,提高了误差收敛速率,在此基础上构造一种新的有限时间迭代学习律,改进后的学习律使系统误差收敛所需迭代次数显著减少。应用图论、李亚普洛夫稳定性理论证明了学习律在有限时间内的稳定性,基于范数理论得到了学习律的收敛条件。最后通过数值仿真结果验证了本文方法的有效性。（3）在联合连通拓扑切换条件下,针对多智能体系统的迭代学习一致性控制问题,设计了一种拓扑切换迭代学习控制律。该控制律使系统在拓扑图随时间变化且部分智能体无法获取外部信息的条件下仍然能解决系统的一致性问题。基于压缩映射理论给出了完全跟踪到期望状态轨迹的充分条件,应用图论、李亚普洛夫稳定性理论证明了系统的稳定性,最后,通过数值仿真验证了该控制律的有效性。