多智能体系统是由两个或多个智能程度较低的个体构成的复杂智能系统,利用局部信息交互在同一个环境中联合协作实现统一的任务目标,从而解决单一智能体难以或不可能解决的问题。其中协同跟踪问题是多智能体控制领域中研究的热点问题。然而常见的协同跟踪控制是一个渐近稳定的过程,系统输出无法完全收敛于期望轨迹。因此,本文利用迭代学习控制方法对协同跟踪问题展开研究,并针对多智能体存在初态偏差以及不确定性干扰的问题,设计了相应的迭代学习控制协议。本文的主要内容如下:（1）研究了线性时变多智能体系统存在初态偏差情形下的协同跟踪问题,提出了具有加速修正函数的迭代学习控制协议,并给出了收敛条件。在经典PD型迭代学习控制协议的基础上,引入了加速修正函数。将修正函数与迭代次数建立起联系通过在校正区间之内对初态偏差进行加速校正,保证了校正时间区间随迭代次数的增加而缩短,从而提高了系统输出收敛到期望轨迹的速率。该控制协议放宽了多智能体迭代学习控制中要求智能体初始状态与期望轨迹初态保持严格一致的约束条件（2）研究了多智能体系统受到外部不确定性扰动以及自身参数变化影响时的协同输出跟踪问题,提出了基于单级扩张状态观测器补偿扰动的迭代学习控制协议。分别对多智能体系统中的跟随者施加了不同形式的干扰,将跟随者自身的不确定性和受到的外部干扰视为总扰动,在跟随者满足状态可观测的条件下,为每个跟随者设计了单级扩张状态观测器获得总扰动估计值。然后将其补偿到迭代学习控制协议的初始批次控制律中,从而获得了基于单级扩张状态观测器的PD型迭代控制协议该控制协议能够抑制系统本身参数不确定性以及外部扰动对系统输出的影响,在有限时间内实现了系统的输出对给定期望轨迹的完全协同跟踪。（3）研究了强扰动情况下的多智能体协同跟踪问题,提出了基于级联扩张状态观测器补偿扰动的迭代学习控制协议。当跟随者本身的不确定性及其外部扰动影响增强时,单级扩张状态观测对扰动估计准确度不高,因此在单级扩张状态观测器的基础上,设计了级联扩张状态观测器对剩余扰动进行估计。然后将各级扩张状态观测器的扩张状态之和作为总扰动估计值,将该估计值补偿到PD型迭代学习控制协议的初始批次控制律中,获得了基于级联扩张状态观测器的迭代学习控制协议,能够在强扰动情况下实现系统输出对期望轨迹的完全协同跟踪。