随着现代工业生产的快速发展，实际中普遍存在由众多相互关联的子系统组成的大规模系统。对于这类系统，传统的集中式控制方法在计算实时性，整体可靠性等方面都无法满足要求。分布式预测控制(Distributed Predictive Control，DPC)将复杂控制问题分解成多个较为简单的子问题，由多个预测控制器分别求解，子系统之间通过通信网络进行信息交互，协作完成系统整体的控制目标，在降低控制问题复杂度的同时能够有效地处理约束和不确定性。　　传统的分布式预测控制大多基于时间触发机制，即在每一个采样周期，控制器都需要进行优化问题的求解和相应的信息交互。但是，实际生产系统中各节点的通信和计算能力以及通信网络的带宽往往是有限的，这给此类系统的分析和设计带来新的挑战。本文针对资源受限的复杂大系统，提出了事件触发机制下的DPC方法。在保证系统控制性能的同时节约系统的通信和计算资源，具体研究内容如下:　　(1)针对含扰动的动态独立分布式系统，提出了基于双层不变集的事件触发DPC算法。通过构造新的目标函数形式，避免添加额外的鲁棒性约束去补偿传统形式下目标函数产生的交叉项，降低了优化问题的复杂度。基于输入状态稳定性(Input-to-State Stability,ISS)定理，推导得出与子系统自身及邻域子系统信息相关的事件触发条件。每个子系统仅在事件触发条件成立时才进行优化问题的求解和信息的传输，节约了系统的计算和通信资源。此外，基于双层不变集，讨论了保证算法的递推可行性和系统闭环稳定性的充分条件。　　(2)针对含扰动的线性离散分布式系统，设计了时间/事件混合触发分布式鲁棒预测控制算法。建立了目标函数含有耦合关联的DPC优化问题。对于事件触发子系统，构造系统状态预测值与实际值之间的误差项，并在此基础上建立了与子系统稳定性相关的事件触发条件。在时间/事件混合DPC算法作用下，每个子系统将在有限时间内收敛至各自的扰动不变集，实现了系统全局性能和资源有效利用之间的权衡。　　(3)针对含有动态耦合关联的分布式系统，提出了事件触发DPC策略。每个子系统的事件触发条件仅与子系统自身信息相关，且仅在自身的事件触发条件满足时才求解一个非耦合的预测控制优化问题。子系统之间的动态耦合以及外界扰动通过优化问题中的一个鲁棒性约束进行处理，并在此基础上推导得出保证DPC优化问题递推可行性和系统闭环稳定性的充分条件。另外，通过采用双模控制策略进一步减少了算法的整体计算和通信资源。