多智能体(无人车辆、移动传感器等)系统由于其在空间和功能上的分布性,较强的容错性、鲁棒性和可扩展性等诸多优点,广泛应用于军事、工农业生产、空间探索、医学、交通控制、服务行业等领域。而定位问题是多智能体系统中最基本的问题之一,多智能体系统提供的服务多数都是基于位置信息的。另一方面,对于传感器网络这类特殊的多智能体系统,Sink节点的位置隐私已经成为一个重要的安全问题。Sink节点是网络数据的汇聚中心,对整个网络的正常运行至关重要,一旦Sink节点被发现并破坏,网络感知的数据将无法传输到数据中心,导致整个网络失效。而无线通信介质的开放特性使得位置隐私保护成为传感器网络研究的一大难点。相比于静态的智能体网络,移动多智能体系统由于智能体的运动导致位置的不断交化大大增加了定位的难度。本文针对几种不同设定下的移动多智能体定位问题,分别设计了分布式的状态观测器实现对定位对象位置的实时动态估计,定位算法具有较快的收敛速度。相比于传统的基于代数的静态定位方法,基于观测器的动态估计增强了算法对测量噪声的抗干扰能力,同时,算法的分布式特性利用了智能体间的协作,对于确保存在测量丢失情况下智能体的定位能力大有帮助,增强了系统的鲁棒性。注意到现有的Sink位置隐私保护手段都只针对仅具有局部监听能力的攻击者,而对于具有全局监听能力的攻击者是无效的,对这一问题的研究迫切需要被填补。本文开创性地将k-匿名策略引入Sink节点的位置隐私保护,并提出一种基于欧氏最小生成树的路由算法,在确保Sink节点位置隐私的同时优化系统通信能耗。概括来说,本文的主要研究工作集中在以下几个方面：首先,在连续时间框架下,研究基于距离测量的移动多智能体目标定位问题。在智能体间的测量和通信是双向即网络拓扑是无向图的假定下,基于线性时变微分器和一致性思想,本文提出了一种分布式的的连续时间状态观测器,实时动态地估计目标的相对位置。证明了算法的全局渐近收敛性,并给出了算法收敛网络拓扑和智能体运动所须满足的条件。要实现对未知目标的定位,基于代数的静态定位方法通常至少需要2个或3个位置已知的锚节点,而本文提出的动态估计算法仅利用单个的移动智能体也能实现对目标的定位。此外,相比于静态估计,动态估计对测量噪声具有更强的抗干扰能力。算法的分布式特性使得智能体在丢失对目标测量情况下仍然能够通过邻居间的协作来保持对目标位置的实时不间断估计,增强了系统的鲁棒性和环境适应性。本文之前提出的连续时间定位算法假定距离测量是连续的,这一要求在实际系统中难以满足,我们知道实际系统中测量通常都是以离散采样的方式进行的。因此,本文接着在离散时间框架下,研究了基于距离采样的移动多智能体目标定位问题。此外,更进一步地,我们还假定智能体间的测量和通信是单向的,也即网络拓扑是有向图,这比之前的无向图假定更苛刻也更一般化。基于上文类似的思想,本文提出了一种分布式的离散时间状态观测器。通过离散系统稳定性分析证明了算法的全局渐近收敛性,并给出为使算法收敛,系统采样周期、智能体的运动以及网络拓扑所需满足的条件。该算法同样保留了上文的连续时间动态估计相比于静态定位所具有的优势。接着,我们研究了目标定位问题的对偶问题,即移动多智能体的自定位问题。在很多应用场景下,如移动车辆的导航,智能体需要对自身进行定位。很多时候,智能体并不需要知道自身的绝对坐标,而只需要知道自身相对于某个参照路标(landmark)的相对位置就足够了。出于这一考虑,本文假定每个智能体的目标是确定自身相对于某个静止路标的相对位置。在前文假定智能体间的测量和通信是单向的基础上,我们进一步假定测量和通信是不稳定的,此时系统对应的网络拓扑是更为复杂的时变有向图,定位的难度也进一步加大。我们提出了一种分布式的带状态切换的连续时间状态观测器来动态估计智能体的相对位置,并通过输入状态稳定理论、级联系统稳定性理论证明只要网络拓扑、智能体的运动满足一定条件,则智能体对自身位置的估计误差全局渐近收敛。这一研究对于促进导航定位基础理论的研究具有重要的指导意义。最后,研究了传感器网络Sink节点的位置隐私保护问题。我们在对现有的文献分析后发现现有的Sink节点位置隐私保护手段都只在对抗局部攻击者时有效,而在对抗全局攻击者方面尚没有有效的手段。为了对抗具有全局监听能力的攻击者,首次将k-匿名策略引入Sink节点位置隐私保护。为了平衡位置隐私和网络路由能耗,提出了一种基于欧氏最小生成树的路由协议,从而将问题转化为一个带非线性约束的复杂非线性优化问题,并给出了两种高效的近似最优求解算法。k-匿名策略的引入对解决其他网络模型下的位置隐私保护问题同样有着重要的借鉴意义。对于提出的各种分析与控制算法,本文在相应的章节给出了详细的理论分析,并通过数值仿真进行了验证。