随着生产质量与经济效益需求的不断提高,现有系统逐渐趋于复杂化和大规模化。受限于算力不足等因素,针对这类系统的集中控制方法在被控系统维度不断提高的情况下已然不能满足控制需求。基于“分而治之”的思想,分散控制将复杂的大规模系统（又称为关联系统）分解成若干个简单小型的子系统,然后针对每个子系统独立设计控制器。由于不需要考虑系统的全局信息,仅仅利用局部数据来设计控制器,因此分散控制能够有效满足工业控制环境的实时性需求,因而得到了控制领域的广泛关注。同时,随着被控系统规模的不断扩大,子系统中的不稳定因素也随之放大,其中系统建模精度低、控制方法抗扰能力差、资源利用效率低等问题尤为严重,因此研究大规模系统的鲁棒控制方法对系统的抗扰性能和可靠性等具有重要意义。自适应动态规划（Adaptive dynamic programming,ADP）控制理论融合了动态规划、强化学习和神经网络的思想,能够有效解决“维数灾难”问题,在解决单系统的鲁棒最优控制问题上具有良好的应用前景。研究内容主要分为两大部分:（1）针对匹配关联系统的保成本控制问题,研究基于ADP的事件触发分散保成本控制方法。首先,利用关联项上界函数设计独立子系统的成本函数,将关联系统的鲁棒控制问题转换为对独立子系统的保成本控制问题。其次,构建Single-critic网络实现策略评估和策略优化,并且根据Lyapunov稳定性理论推导触发条件。最后通过仿真实验验证本算法的有效性。（2）针对非匹配关联系统的鲁棒镇定控制问题,研究基于ADP的辅助控制方法。将非匹配不确定项利用辅助控制进行补偿,针对辅助子系统设计增广控制律,求解增广控制系统的Hamilton-Jacobi-Bellman方程来获得鲁棒最优解。基于Single-critic网络迭代获取其近似数值解。利用Lyapunov稳定性理论,推导事件触发条件和最优增广控制律,保证了闭环系统的收敛性和鲁棒稳定性。最后通过仿真例子检验算法可行性。综上所述,本文研究基于ADP的鲁棒分散控制方法,并且考虑了计算和通信资源的影响。涉及了神经网络、自适应动态规划和现代控制理论,旨在将自适应动态规划理论推广到关联系统的鲁棒控制应用中。