近年来，随着无线传感网等技术的快速发展，一大批新的应用需求如无线传感网定位、分布式机器学习问题等不断涌现。多智能体网络作为无线传感网的一种抽象，在各个领域和学科中有着广泛的应用。由此产生的优化问题由于数据规模庞大、网络结构动态化等特点，传统的集中式方法往往很难用来求解。而分布式优化算法由于其低廉的通信代价、优越的稳定性及具有数据隐私保护等特点，吸引了国内外学者的广泛关注和研究。本文针对多智能体网络环境中一致性优化问题的分布式算法进行了研究。论文的主要工作如下:　　1.针对多智能体网络中的一致性优化问题，考虑网络结构为二分图的情形，首先通过引入一致性约束对问题进行去耦合，然后将其转化为可用经典的交替方向乘子法进行求解的形式，实现了分布式求解，最后运用Nesterov加速技巧，提出了加速的分布式交替方向乘子法，并利用数值实验验证了加速算法的有效性。　　2.针对一般连通网络中的分布式Least Absolute Shrinkage and Selection Operator问题，借助不同的一致化技巧，运用经典的交替方向乘子法，实现了分布式求解，并针对其中的子问题给出了非精确求解方式，使得每轮迭代中每个节点的更新通过简单的算子给出，最后利用数值实验验证了非精确算法是有效的且能够显著地减少计算量。　　最后，对本文的主要内容进行了总结，并且对未来工作提出了进一步研究的方向。