近年来，多智能体系统的分布式一致算法与分布式优化算法由于其在多车辆系统的队形控制、无线传感器网络的数据融合、无线网络的资源分配等领域有着广泛的应用，而引起了国内外学者的广泛关注.本文在前人工作的基础上，从理论方面对多智能体系统的分布式一致算法与分布式优化算法进行了深入的研究.本文的具体工作和所取得的成果简要叙述如下:　　 1.针对基于实数值和量化值状态信息的Gossip算法，研究了算法的收敛性质.对于基于实数值状态信息的Gossip算法，证明了多智能体系统达到以概率1平均一致，并刻画了算法的收敛速度.对于基于量化值状态信息的Gossip算法，研究了概率量化操作对算法收敛性质的影响;证明了多智能体系统达到以概率1平均一致，并给出了算法的渐近误差估计及其与量化精度的关系.提供的数值算例验证了设计算法的有效性.　　 2.针对多智能体系统分布式一致算法，研究了利用智能体的二阶邻居的信息加速收敛速度的问题.对于离散时间与连续时间模型，分别证明了二阶邻居信息的使用可以使多智能体系统获得更快的分布式一致速度.进一步研究利用部分二阶邻居信息的情形.对于离散时间模型，通过bruteforce方法找到最优的利用这部分二阶邻居信息的方式;对于连续时间模型，通过求解一个半正定规划问题找到利用这部分二阶邻居信息的方式.提供的数值算例验证了设计算法的有效性.　　 3.针对多智能体系统的分布式优化问题，研究了有全局不等式约束和状态约束的情形.问题的目标函数为多个智能体的局部目标函数的和，约束为全局不等式约束和状态约束.基于鞍点定理，将原问题的最优解转化为相应的Lagrange函数的鞍点;基于分布式一致算法，提出了分布式原始-对偶次梯度算法.在Slater条件成立的前提下，给出了算法的收敛结果，并得到了算法的渐近误差估计及其与恒定步长的关系.提供的数值算例验证了设计算法的有效性.　　 4.针对有状态约束的多智能体系统的分布式优化问题，研究了相应的分布式优化算法的收敛速度以及量化操作对算法收敛性质的影响.对智能体间传输的数据是实数值的情形，以及智能体间传输的数据是经过确定性量化或者概率量化过的情形，分别给出了相应的分布式对偶平均算法.对于前者，证明了每个智能体的状态值收敛到最优解，并刻画了收敛速度;对于后者，考虑了两种量化操作，给出了相应的收敛结果，并进一步得到了算法的渐近误差的估计及其与量化精度的关系.提供的数值算例验证了设计算法的有效性.　　 5.针对有状态约束的多智能体系统的分布式优化问题，提出了一种不依赖于次梯度计算的分布式免梯度算法.与现有结果不同的是，算法并不要求智能体在更新自己的迭代时计算其目标函数的次梯度.证明了算法保证每个智能体的状态值收敛到最优解附近，且可以通过调节每个智能体的目标函数的平滑参数控制其与最优解的接近程度.提供的数值算例验证了设计算法的有效性.