近年来,由于多智能体系统的分布式协同控制在土木工程、工业和军事领域等领域有着广泛应用价值,众多学者开始对诸如一致性控制、包含控制、编队控制等控制问题加以研究。与传统的控制方法不同,迭代学习控制可以通过对以前迭代数据的记录和学习来处理具有高度不确定性的动态系统,使得系统在固定时间间隔内实现较高的跟踪精度。然而这往往需要较大的沟通成本,因此本文研究的是高阶多智能体系统（MASs）基于事件触发的迭代学习控制问题,通过事件触发机制,控制更新的时刻由与系统测量密切相关的预先定义的事件触发条件决定。如果违反了事件触发条件,这意味着当前系统测量值超过了某个阈值,则应输出当前系统测量值,这在实践中减少了通信量并降低了控制器更新的频率,在网络通信中减少了对网络带宽的占用,提高传输效率。主要的工作内容如下:1.首先,本文研究了基于事件触发的完全分布式一致性控制问题。本文先预设迭代学习控制（ILC）每个周期的实验时长,智能体可以在在固定时间间隔内多次重复执行同一任务后改善其状态。然而迭代学习需要较大的沟通交流代价,为了平衡迭代学习固有机制带来的影响,我们提出了一种基于牵引（pull-based）的事件触发算法,使得智能体的控制器仅在每次迭代的特定时间触发。为了解决高阶一致性控制问题,本文设计了两个辅助函数。利用反步法（backstepping）,将二者分解为可观测部分、基于牵引的误差和残差部分,并分别用于控制器的更新和参数的学习,且误差的系数符合斐波那契数列。接下来,我们利用李雅普诺夫稳定性理论,证明了在所设计的事件触发函数和迭代学习控制器的作用下,每个跟随者都可以实现对领导者的状态追踪,并给出了一个数值模拟验证了理论成果的可行性。2.其次,本文研究了高阶多智能体系统的包含控制问题。相较于一致性控制问题,包含控制问题中存在多个动态领导者而非一个,在基于与邻居智能体的组合测量误差的规则下,我们提出了分布式估计观测器,并证明了在该估计器的作用下,跟随者可以在有限次迭代内精确估计领导者状态的加权平均值,然后利用前文所给出的基于事件触发的一致性控制算法,可以使得跟随者的状态收敛到领导者们形成的凸包内。最后我们通过一个数值模拟验证了理论结果的有效性。