分布式平均跟踪是近年来多智能体系统研究新兴的研究方向。对于一个多智能体系统,假设利用每个智能体都有一个独立的参考信号,分布式平均跟踪问题的目标是在仅利用本地邻居智能体信息的情况下,通过为每个智能体设计一个本地控制输入,使得所有智能体能够跟踪随时间变化的参考信号的平均轨迹。本文利用图论、矩阵论、概率论和控制论等相关数学工具,研究了在参考信号含有噪声的情况下,具有控制输入时延和随机丢包过程的线性离散多智能体系统的分布式平均跟踪问题。主要研究内容以及贡献归纳如下。第一,研究了参考信号受到噪声干扰的多智能体系统的分布式平均跟踪问题,该问题的目标是设计在参考信号受到噪声干扰的情况下,减小噪声对实现跟踪目标的干扰的分布式算法。为此,我们利用卡尔曼滤波器技术估计受到噪声干扰的参考信号,并基于此提出了一种分布式平均跟踪算法,并证明在参考信号受到噪声干扰的情况下,提出的算法可以最终实现跟踪误差有界。第二,研究了在参考信号具有噪声的前提下,存在控制输入时延和随机丢包现象的多智能体系统的分布式平均跟踪问题。与大多数基于理想系统而言的分布式平均跟踪研究不同,我们构造状态预测器补偿控制输入时延造成的负面影响,利用期望通讯网络拓扑图分析丢包现象存在的通讯网络,结合卡尔曼滤波器提出了一种简单的多阶分布式平均跟踪算法,该算法对初始化误差具有鲁棒性,并且可以在通信/计算成本与稳态跟踪误差之间进行权衡,最后证明在该算法下,系统可实现均方意义下的分布式平均跟踪。