近些年来,多智能体协同控制已经成为控制理论领域的重要研究主题。其主要关注点在于,在信息交互下所有个体如何去进行协同合作以实现控制目标。作为协同控制的核心问题,多智能体分布式采样控制吸引了大量研究者的关注。每个个体装配的传感器如何采样来更新控制器以实现控制目标,这是其中的技术关键。本文主要研究基于相对状态测量的分布式采样控制理论,提出了基于时间触发、事件驱动和自驱动分布式采样控制策略,探讨在不同的采样机制下的多智能体系统动力学行为分析。主要研究内容和创新点如下:基于相对位置测量的任意采样分布式控制协议,我们研究了二阶多智能体系统在领导-跟随者拓扑下的动力学行为,将一致性和包围控制统一到了同样的框架下。本文分别进行了网络具有单个领导者情况下的一致性分析和具有多个领导者情况下的包围控制分析,并基于Hermite-Biehler定理将理论推广到有向任意弱连通拓扑。严格的数学证明确保了所提出的控制策略能使系统在不同的拓扑连接下分别达到不同的控制目标,在这样的策略中采样时间间隔的大小可以任意选择。这可以适用于采样抖动、数据丢包等带来实际信息采样交互周期发生变化的场景,这拓展了传统的时间触发分布式采样控制理论,使其具有更广泛的适应性。基于组合式相对状态测量的事件驱动和自驱动采样控制协议和算法,我们提出了具有较低系统资源消耗的新策略来调度控制器和传感器,以解决一阶和二阶多智能体系统的一致性问题。所提出的事件驱动策略要求每个智能体集中处理所有关联的相对状态信息,通过所设计的触发条件来判定是否进行控制器更新。相比周期采样控制,这种算法能大大降低控制器更新次数,从而节约系统资源。所提出的自驱动采样控制协议则进一步避免了传感器周期检测相对状态信息的要求,确保其只在事件触发时刻进行采样,这进一步降低了传感器的负载,利用计算的复杂度提升换取了传感器负载的降低。组合相对状态测量的事件驱动和自驱动采样控制,对控制器和传感器的不同调度方式,适应于各类资源可利用程度不同的场景,都降低了系统资源消耗。基于分离式相对状态测量的边事件驱动和边自驱动采样控制协议和算法,我们提出了不同于上面组合式方案的新策略来调度控制器和传感器,以解决耦合调和振子的同步控制问题。所提出的边事件驱动控制协议和算法中,不同信息边之间互不影响的单独判定事件驱动触发条件。相比于组合相对状态测量,这是一种不同的传感器和控制器的调度方式,适应于传感器资源可利用程度不同的其他场景。所提出的异步触发边事件驱动方案,可以使得信息边两端控制器被异步更新。进一步考虑时滞的影响,为了确保参数选择的自由度,我们提出了同步触发的边事件驱动方案,使得信息边两端控制器在每次事件时刻被同步更新。相比于周期采样控制,这能降低控制器更新次数。为了减少传感器采样次数,本文提出了两种同步触发的边自驱动分布式采样控制算法,其对传感器和控制器不同的调度方式,均可以保证二者触发采样的次数减少从而节约系统资源。基于相对状态测量的积分型边事件驱动和边自驱动采样控制协议和算法,我们提出了具有较宽松触发条件的新策略来调度控制器和传感器,以解决一类非线性多智能体系统的同步控制问题。在所提出的事件触发条件中,只需要在给定的积分时间区间内测量误差的累积小于给定的触发条件即可,这放松了对测量误差的要求,比非积分型的传统事件驱动方案的事件触发频率更低,更节约系统资源。而且所给出的触发条件包含状态信息和指数函数项,是一种状态依赖和时间依赖相结合的混合触发方案,这能有效的确保系统不发生Zeno行为。为了进一步降低传感器测量相对状态的负载,本文进一步设计了积分型边自驱动采样控制算法,从而使得控制器和传感器都零星的执行操作,进一步节约传感器采样的资源消耗。