多智能体编队合作相较于单个智能体可以更为高效的完成一些并行、复杂的任务。对于像绕地球执行任务的多卫星系统、多辆无人车系统等一类可以重复运动的多智能体系统(Multi-agent System,MAS),利用迭代学习控制(Iterative Learning Control,ILC)方法可实现高精度编队控制目标。然而,多智能体系统在使用迭代学习控制实现编队时,相邻智能体必然要通过无线通信传递信号,会发生时延、丢包等通信问题,影响系统迭代学习控制的收敛性。为此,本文研究基于无线通信的通过迭代学习控制实现多智能体系统高精度的编队控制问题。主要工作如下:首先,对于没有参考轨迹的多智能体系统编队,在相邻智能体传输信号时含有一步随机时延的情况,推导出了系统的转移矩阵,分析了一步随机时延对系统收敛速度的影响,提出了基于邻近智能体的迭代学习控制实现编队的方法。通过仿真,验证所提方法可以使系统误差收敛。然后,对于有参考轨迹的多智能体系统编队,在相邻智能体传输信号时含有任意随机时延的情况下的编队跟踪问题。建立了频域的迭代学习控制模型,提出了一阶和二阶迭代学习控制律,利用广义Nyquist判据和Gershgorin圆盘定理,得出系统误差收敛条件。结果显示,一阶迭代学习控制对于多智能体系统编队跟踪误差会收敛到某一定值,二阶迭代学习控制可以对这一影响进行补偿,使系统误差收敛到零。最后,同样对于有参考轨迹的多智能体系统编队跟踪问题,研究了相邻智能体传输信号时含有任意丢包情况下通过迭代学习控制实现多智能体系统编队跟踪问题。建立了频域的迭代学习控制模型,提出了一种利用前一次迭代数据补偿本次迭代丢失数据的迭代学习控制方法。仿真实验验证了不论丢包的概率为多大,所提出的补偿方法都可以使系统误差收敛。