近些年来,多智能体系统的一致性控制问题吸引了越来越多专家学者的关注与研究。从现有文献看,有很多针对执行器、传感器故障情形下多智能体系统一致性控制问题的研究,但鲜有针对存在恶意智能体情况下系统安全一致性问题的研究。故障智能体显著区别于恶意智能体。故障智能体对系统的影响通常是被动且相对较弱的,而恶意智能体的行为完全未知、主动攻击且不受控的,其目标可能是破坏整个系统的一致性,对系统的危害性很大。针对多智能体系统存在恶意智能体的情形,如何设计合理有效的控制算法,实现正常智能体的安全一致性极具意义与挑战。本文针对二阶多智能体系统中存在恶意智能体的问题,开展了基于DP-MSR（Double-Integrator Position-Based Mean Subsequence Reduced）算法的安全一致性研究。首先,针对二阶多智能体系统中存在恶意智能体的问题,描述了恶意智能体数量有界（f-local、f-total）的两种攻击模型,给出了多智能体系统中存在恶意个体情形下的安全一致性定义,即所有正常智能体始终运行在与初始条件相关的安全区间内,同时位置和速度能够实现一致性。在f-local、f-total攻击模型下,采用参数为f的DP-MSR算法过滤可能是恶意的邻居信息,结合凸集理论,设计了具有（2f+1）-鲁棒性、（f+1,f+1）-鲁棒性的网络拓扑,并通过仿真验证了多智能体系统能够实现安全一致性。其次,针对多智能体系统最终一致性位置难以设定（仅知道处于安全区间内,无法预知最终收敛的值）的问题,通过在系统中引入多个领导者,并假设所有正常领导者最终趋近于匀速直线运动。在f-local、f-total攻击模型下,采用参数为f的DP-MSR算法,结合凸集理论,设计了具有强（2f+1）-鲁棒性、强（f+1,f+1）-鲁棒性的网络拓扑,仿真结果表明,在遭受恶意攻击时,所有正常智能体与正常领导者之间的安全一致性能够实现。最后,针对网络鲁棒性参数难以求解的问题,借助图论中Cheeger常数的概念,推导出网络鲁棒性参数与拓扑图拉普拉斯矩阵第二小特征值λ2之间的不等式关系,通过求解λ2特征值可以得到网络鲁棒性参数的下界,从而降低了计算复杂度;由于λ2特征值是一个全局信息,单个智能体无法直接获得,通过对拉普拉斯矩阵进行变换,采用幂迭代的方法求解λ2特征值对应的特征向量,因此λ2特征值也可以得到。为求取幂迭代过程中的平均值（全局信息）,设计了分布式平均值估计器,从而实现了完全分布式的λ2估计。仿真验证了网络鲁棒性参数与λ2特征值之间的关系以及分布式λ2估计算法的正确性。