近年来，多智能体分布式协作控制的研究吸引了越来越多的注意。多智能体系统包含了大量具有一定通信、感知、计算、自主决策及运动能力的个体，如机器人、传感器和其它可移动设备，其中，每个智能体仅利用自身及其邻居的有限信息独立控制自身运动。如果所有智能体之间的局部交互形成了某种连通的拓扑结构，则通过设计智能体之间的协作机制，整个群体可获得期望的全局目标。　　 然而，智能体之间的拓扑结构往往随着个体的运动而发生变化，在许多局部算法作用下，其演化连通性很难白然保持，因此，应致力于具有演化拓扑连通保持功能的协作控制研究。本论文由此出发，针对一些典型的多智能体协作控制问题，重点研究了基于连通保持的分布式控制算法的设计和性能分析。论文的主要内容和研究成果总结如下：　　 给出了核拓扑的定义，并据此提出了保持核拓扑所有连边的连通保持基本框架。在这个基本框架下，以聚集问题为例，描述了目标拓扑唯一时的连通群体核拓扑。对于目标结构不能被描述为唯一拓扑的情况，以连通格子目标结构为例进行分析（相应于蜂拥控制、一致感知环境下连通保持问题等），讨论了其相应的核拓扑，并给出了从任意连通图中提取核拓扑的分布式算法。　　 描述了多智能体分布式协作编队控制中的核拓扑，给出了基于该编队核拓扑的分布式编队基本算法。通过扩展编队基本算法，进一步提出了一类一般编队控制算法。另外，对所提出的算法，分析了不同的智能体信息拓扑对群体收敛速度以及相应于节点和连边失效的连通鲁棒性的影响。　　 考虑到增大覆盖面积与保持群体连通性之间的矛盾，讨论了一致感知环境下的连通覆盖问题，由于该问题的目标拓扑可描述为连通格子结构，其核拓扑可通过采用第二章提出的分布式算法来简化群体拓扑获得。考虑智能体离散时间运动模型，针对每个智能体提出分布式连通覆盖算法，该算法通过保持在每个迭代周期中更新的群体核拓扑确保其网络连通性。理论分析显示，在该分布式算法作用下，被控群体逐渐分散，并最终获得了某种连通拓扑结构下的分布式覆盖目标。　　 解决了连续多智能体系统的一致感知环境连通覆盖问题。首先，利用第二章提出的分布式核拓扑简化算法，获得群体在初始时刻的核拓扑。在此基础上，提出了分布式协作控制算法，该算法可引导所有智能体形成一个格子结构，与此同时始终保持群体初始时刻核拓扑，分布式连通覆盖目标因此得以实现。　　 许多实际环境中不同位置处发生事件的概率或密度不相同，而位于其中的智能体往往仅具有有限的感知能力，且其感知性能依赖于智能体与事件发生位置之间的距离。为了引导智能体对这类任务空间的覆盖和采样，同时确保数据的收集和进一步处理，本论文考虑了复杂感知环境下的连通覆盖问题。通过分析将覆盖与连通保持两个目标转化为综合效用函数，并通过梯度下降的思想对该函数进行最小化寻优，执行的算法满足每个智能体仅能利用局部信息的约束。　　 从一致性问题展开，讨论通过将单层的系统拓扑递阶分解的方法来提高群体的收敛速度。首先根据一致性问题的收敛性能，将递阶分解问题转化为一个关于系统结构特征值的优化问题。通过分析该优化问题，提出了一个将连通图优化分解为若干点导出子图和它们之间关联图的单层分解算法，并基于该算法发展了将单层拓扑分解为递阶结构的优化分解算法。在满足智能体通信约束的前提下，相比较于原结构或其它递阶结构，由递阶分解算法所获得的递阶结构可实现最快的收敏过程。