近年来,受实际生产生活的需求影响,多智能体系统被广泛应用在各种领域里。为此,关于智能控制在多智能体系统中的应用受到了学者们的关注。同时,基于生产工艺、执行机构和安全性考虑,实际系统中常常存在约束问题,而一旦违反约束条件就会降低效率甚至会危及生命。因此,研究具有全状态约束的不确定多智能体系统就显得尤为重要。本文将从以下三个方面展开研究:（1）针对具有全状态约束的非线性非仿射多智能体系统,提出了一种自适应神经网络分布式控制策略。首先,利用中值定理将非仿射系统转换为仿射系统,并且对系统中的未知项进行逼近。其次,通过一一映射中的函数变换方法将原先具有状态约束的系统转化为等价的无约束系统,并且使得转换后的系统与原系统具有相同的性质,以保证每个智能体的状态不违反预定的约束界。再次,基于反步设计,设计自适应分布式控制器,并且采用Nussbaum函数来解决系统的部分控制方向未知的问题。同时,利用李雅普诺夫函数稳定性理论得到闭环系统的所有信号均有界。最后,通过仿真例子验证了该方法的有效性。（2）针对具有输入饱和的非线性非仿射多智能体系统,提出了一种自适应神经网络容错分布式控制策略。首先,通过利用中值定理对非仿射多智能体系统进行转换,可以得到一个等效的仿射模型。其次,基于积分障碍李雅普诺夫函数和反步递推,设计自适应容错分布式控制器,其中将系统中的未知函数用神经网络的方法来逼近。与此同时,选取积分障碍李雅普诺夫函数来使得系统的状态变量始终不违反约束界。最后,通过一个仿真实例验证了该方法的有效性。（3）针对在有向图和状态约束下的非线性多智能体系统,提出自适应分布式控制策略。本文引入了积分障碍李雅普诺夫函数（i BLF）,克服了带误差变量的障碍李雅普诺夫函数所产生的保守性限制,放宽了可行性条件,并且可以同时解决智能体之间通信误差的耦合项和状态约束。基于i BLF与反步法,设计了自适应分布式控制器,并利用积分中值定理对i BLF进行微分。同时,利用神经网络的特性对未知项进行逼近,并且由李雅普诺夫稳定性理论来证明闭环系统的稳定性。该方案既能够保证所有跟随者的输出满足领导者的输出轨迹,也能够使得状态变量不违反约束界,并且所有闭环信号均有界。最后,通过仿真例子验证了所提方法的有效性。