网络系统的分布式控制理论是网络化时代的产物,并在智能交通、智能电网、工业互联网等领域得到了广泛的应用。通过将单个子系统（智能体）抽象为节点,子系统之间的通讯抽象为边,网络系统控制可以形象的理解为图上的控制理论。分布式控制方法通过充分利用子系统之间的通讯机制来达到控制目的,通常具有并行性高,扩展性强,和隐私保护等特点。另一方面,作为非确定性系统控制理论与应用的一个重要分支,自适应控制是指通过在控制器中引入自调节机制,使得控制器对系统的非确定性产生某种适应能力。考虑到现实世界的网络系统具有个体行为和全局通讯的双重非确定性,分布式自适应控制理论具有重要的研究价值和应用前景。本文首先研究了几类带有个体行为和（或）全局通讯非确定性的网络系统的分布式自适应控制问题,包括一致性控制,跟踪控制,包含控制,编队控制;然后从控制的角度出发,给出了带有结构非确定性的网络系统的分布式自适应优化算法和分布式自适应资源配置算法。主要结果包含以下几个方面:（1）一致、跟踪与包含问题中的分布式自适应控制方法研究。首先针对一类带有未建模动态和未知干扰的网络系统,提出了基于神经网络的完全分布式自适应控制方法,用于求解无领导者一致性,单领导者跟踪,以及多领导者包含问题。该方法通过同时引入自适应神经网络,自适应耦合权重和非光滑方法,有效避免了控制设计对网络系统代数连通度、领导者外部输入上界、未知干扰上界等全局信息的依赖性。紧接着,研究了带有未建模动态的网络系统的外部动态信号平均跟踪问题,分别给出了静态耦合反馈和动态耦合反馈设计方法,其中后者在一定程度上放宽了对全局信息的依赖性。最后,讨论了一类带有多源非确定性（未建模动态,未知干扰,时滞,高维领导者）的网络系统跟踪控制问题,通过设计分布式观测器和基于神经网络的反馈补偿,给出了跟随者的有界跟踪控制策略。（2）编队问题中的分布式自适应控制方法研究。首先考虑了无向通讯环境下一类带有未建模动态的非确定性网络系统,提出了两类分布式神经网络自适应时变编队控制方法。分别从节点和边的角度出发,给出了动态耦合反馈设计方法,其中基于节点的设计方法不依赖于任何全局信息,具有完全分布式特性;另一方面,基于边的设计方法适用于具有切换通讯拓扑的网络系统。进而,针对有向通讯环境下的网络系统,提出了一种基于有向支撑树的时变编队控制方法,以及在有一个或多个领导者存在时基于广义有向支撑树的编队追踪控制方法。所提方法有效解决了当广义代数连通度未知时有向网络系统的分布式自适应编队控制问题。（3）优化与资源配置问题中的分布式自适应控制方法研究。首先从控制的角度考虑强连通有向拓扑图上的分布式优化问题,提出了一个基于有向支撑树的连续时间分布式自适应优化求解框架:对于权重平衡图,提出了一种基于有向支撑树的分布式自适应优化算法;对于权重非平衡图,提出了一种基于有向支撑树的有限时间权重调平算法。此框架放宽了现有分布式优化算法中局部函数为凸函数,步长衰减,权重平衡,通讯拓扑特征值和（或）特征向量已知的限制。另外,考虑了一类带有全局约束的分布式优化问题,即资源配置问题。从一个非确定性鞍点动力系统出发,分别提出了基于有向支撑树和基于点的分布式自适应资源配置算法。在合理的假设下,两类算法均实现了当全局Laplacian矩阵特征值信息未知时的自适应资源配置。