多智能体系统由一群具有感知、通信、计算、执行能力的智能体通过网络关联组成,能够胜任个体很难完成的复杂任务,具有高度的鲁棒性、容错性、可扩展性。近年来,多智能体系统协同控制是当前控制领域研究的热点方向之一,并且在智能电网、无人机、无人海洋航行器等领域展现出了广阔的应用前景。本文系统地研究了不确定多智能体系统的协同操纵问题,主要工作如下:首先,本文研究了单参数化路径导引的不确定多智能体系统一致性操纵问题。现有一致性跟踪控制方法是时间相关轨迹导引的,即时间与空间是耦合的,无法实现多智能体系统空间与时间上的解耦控制。此外,现有神经网络直接自适应控制方法采用跟踪误差进行设计,估计回路与控制回路是耦合的,不能保证估计信号的暂态性能。为解决上述问题,首先针对一类具有严格反馈形式的单输入单输出不确定多智能体系统,结合模块化设计思想提出了一种状态反馈一致性操纵控制器设计方法,不仅实现了对估计回路与控制回路的解耦,而且实现了不确定多智能体系统的时空解耦控制。具体而言,设计了神经网络预估器,实现了对模型不确定动态的快速自适应,暂态分析证明了所提方法能够改善神经网络的暂态估计精度。将二阶线性跟踪微分器融入动态面控制设计中,实现了对虚拟控制律的精确求导。通过输入状态稳定性定理与级联系统稳定性理论证明了闭环系统的输入状态稳定性;随后,针对状态不完全可测的多输入多输出严格反馈不确定多智能体系统,结合状态重构技术构建了基于输出信息的神经网络观测器,实现了对未知模型信息与未知状态信息的同时估计。基于神经网络观测器与改进的动态面控制方法,提出了一种输出反馈一致性操纵控制器设计方法。应用输入状态稳定性定理与级联系统稳定性理论证明了闭环系统是输入状态稳定的。仿真结果验证了所提状态反馈与输出反馈一致性操纵控制器的有效性。随后,在一致性操纵问题研究的基础上,本文研究了多参数化路径导引的不确定多智能体系统包含操纵问题。首先针对一类具有严格反馈形式的多输入多输出不确定多智能体系统,采用神经网络预估器对模型不确定动态进行在线学习,基于神经网络预估器与改进的动态面控制方法,提出了一种状态反馈包含操纵控制器设计方法。结合路径操纵误差反馈提出了路径参数更新律,实现了虚拟领导者路径参数之间的同步。采用所提控制方法,使得多智能体系统的输出收敛到由多参数化路径所张成的凸包内。级联系统稳定性分析证明了闭环系统是输入状态稳定的;随后,针对状态不完全可测情形,构建了基于输出信息的非线性神经网络观测器,实现了对未知模型信息与未知状态信息的同时估计,建立了估计回路的有限时间输入状态稳定性。基于非线性神经网络观测器与改进的动态面控制方法,通过引入超级领导者实现了有向通信虚拟领导者路径参数之间的同步,提出了一种输出反馈包含操纵控制器设计方法,克服了状态信息不完全可测带来的设计挑战。应用输入状态稳定性定理、输入状态稳定小增益定理、级联系统稳定性理论证明了闭环系统是输入状态稳定的。仿真结果验证了所提状态反馈与输出反馈包含操纵控制器的有效性。最后,本文研究了基于事件触发的不确定多智能体系统包含操纵问题。在现有基于时间触发的包含控制方法中,通信与执行器更新是周期进行的,容易造成多智能体系统通信与执行资源的浪费。为解决上述问题,首先针对一类通信与执行资源受限的严格反馈不确定多智能体系统,结合事件触发机制、神经网络预估器、改进的动态面控制方法,提出了一种基于事件触发的包含操纵控制器设计方法,在实现包含操纵控制目标的同时,节约了智能体的通信与执行资源。具体而言,采用非周期信息构建了基于事件触发的神经网络预估器,用以估计模型不确定动态。将三阶线性跟踪微分器融入动态面控制设计方法中,实现了对虚拟控制律的精确求导,保证了虚拟控制律二阶导数的有界性。应用输入状态稳定性定理、输入状态稳定小增益定理、级联系统稳定性理论证明了闭环系统是输入状态稳定的,同时证明了所提事件触发控制器在控制过程中不存在齐诺现象;随后,针对控制系数未知情形,结合数据驱动技术构建了基于并行学习的神经网络预估器,实现了对不确定动态与未知控制系数的同时精确估计,克服了现有神经网络自适应控制方法假设控制系数先验的局限性。结合基于并行学习的神经网络预估器与事件触发机制,提出了一种基于事件触发的包含操纵控制器设计方法。级联系统稳定性分析证明了闭环系统是输入状态稳定的,所提事件触发控制器被证明不会产生齐诺现象。仿真验证了所提基于事件触发的包含操纵控制器的有效性。