实际中广泛存在着一类由众多相互关联子系统组成的大型系统，对于这类系统，传统的集中式控制容易受到系统规模和计算负担的限制，并且系统的可靠性与灵活性不高。分布式控制将整体问题分解至各个子控制器分别求解，降低了计算负担。同时，子控制器借助网络交互信息，相互协作保证了全局系统的控制性能。　　作为一种先进的控制算法，模型预测控制(Model Predictive Control，MPC)因能有效地处理约束、解决多目标问题而备受关注。将MPC应用于分布式控制系统，使得子控制器能够相互传送预测信息，进而对未来时刻子系统之间的关联影响进行估计，提高整体性能。传统的分布式预测控制(Distributed Predictive Control，DPC)基于时间触发机制，在每一个采样时刻，子控制器求解DPC优化问题得到最优控制律，然后传输相应的预测信息至其他子控制器。然而，考虑到实际系统有限的计算资源与通信资源，这种周期性执行的DPC方法显然无法满足要求。因此，在保证全局控制性能的前提下，如何减少资源消耗是DPC研究的热点问题。　　本文针对资源受限的分布式控制系统，提出了基于事件触发机制的DPC方法。通过建立事件触发条件，使得DPC优化问题的求解和子控制器之间信息的传输非周期性进行，实现系统资源的合理利用。在事件触发DPC框架下，重新分析了系统性能，建立了保证算法可行性和系统稳定性的充分条件。具体研究内容如下:　　(1)针对线性离散分布式控制系统，从保证全局稳定性的角度出发，提出了基于合作机制的事件触发DPC方法，建立了与局部子系统和邻域子系统同时相关的事件触发条件。只有事件触发条件成立，DPC优化问题才进行求解，从而节约了计算资源。为了保证算法的递推可行性，设计了包含邻域子系统信息的终端约束集。通过在DPC优化问题中构造状态预测值与状态估计值之差的约束条件，实现了全局系统的稳定。　　(2)考虑到外界干扰不确定性的影响，针对有界扰动作用下的线性离散分布式控制系统，提出了事件触发双模DPC方法。利用输入状态稳定性(Input-to-State Stability，ISS)理论，建立了仅与子系统自身相关的事件触发条件。当子系统在不变集外部时，基于事件触发条件非周期性地求解DPC优化问题，降低计算资源消耗。一旦子系统进入不变集，采用局部状态反馈控制律，同时与进入各自不变集的邻域子控制器不再交互信息，进一步减少通信能耗。在此基础上，给出了保证递推可行性和闭环稳定性的扰动上界。在事件触发双模DPC算法作用下，每个子系统将在有限时间内收敛至各自的扰动不变集，同时实现计算资源与通信资源的合理利用。　　(3)针对有界扰动作用下的线性离散分布式控制系统，在子控制器异步交互信息方式下提出了事件触发DPC方法。在保证系统收敛性的前提下，建立了与状态实际值和状态预测值之差有关的事件触发条件。只有事件触发条件成立，子控制器求解DPC优化问题，并将基于最优控制序列的状态预测信息传送至邻域子控制器，实现相互之间的异步协调。在此基础上，分析了系统性能，给出了保证算法可行性和系统收敛性的充分条件。　　(4)针对有界扰动作用下的线性离散分布式控制系统，从兼顾资源有效利用与全局控制性能的角度出发，将时间触发子系统和事件触发子系统纳入统一设计框架，提出了时间/事件混合触发DPC方法。通过构造与状态实际值和状态预测值有关的预测误差，针对每个事件触发子系统建立了事件触发条件。考虑到两种不同的控制模式和通信方式，提出了混合触发双模DPC算法，证明了递推可行性和闭环稳定性。与时间触发或事件触发DPC相比，混合触发DPC实现了资源利用与全局控制性能之间的权衡。