一致性问题已经成为多智能体系统协调控制中的一个热点也是一个最基本的问题。一致性问题的关键是如何设计合适的用来描述每个智能体及其邻居之间的信息交换过程的协议或算法,从而使得所有多智能达到某个期望的状态。分数阶系统作为整数阶控制系统的扩展,可以提高对实际动态系统的表征、设计以及控制的能力,目前已成为控制领域的一个研究热点。本文基于目前的研究成果,把分数阶微积分模型引入到多智能体系统的一致性控制问题中,改善和丰富了目前已有的相关研究成果。本文采用分数李雅普洛夫直接方法,研究了几类非线性分数阶多智能体系统一致性分布式控制问题,具体工作如下。第二章中,考虑了一类非线性分数阶多智能体系统有向网络拓扑结构下的一致性问题。首先,在没有领导者的情况下,分别设计了一个不变和自适应增益控制算法来保障一致性可以达到。然后,对于有一个领导者的跟踪问题中,同样分别设计了一个不变和自适应增益控制算法,通过理论证明得到在设计的算法下所有具有非线性分数阶动力性的智能体能够达到一致性。最后,用一些仿真实例验证了相应理论结果的有效性。第三章中,考虑了一类非线性分数阶多智能体系统的在一般有向网络拓扑结构下的一致性跟踪问题。由于该系统具有异构的控制增益和一个有界未知输入的领导者,故每个智能体的动力性本质上是异构的。首先,设计了一个不连续分布式控制器来保证分布式跟踪控制能够达到,即跟踪误差渐近地趋于零。然后,提出了一种连续分布式控制器来消除不连续控制器的所引起的抖振现象,通过理论证明其跟踪误差是一致最终有界的且可以通过适当地调节参数来使跟踪误差减小。最后,通过仿真实例验证了相应结果的有效性。第四章中,考虑了一类具有一个未知有界输入领导者的不确定非线性分数阶多智能体系统的鲁棒一致性跟踪问题。更具体地说,研究了带有异构未知的非线性项和额外的扰动的分数阶多智能体系统,包含了二阶系统作为它的一种特殊情况。首先,对于一个固定的拓扑情况下,一个不连续的基于神经网络的分布式鲁棒自适应算法被设计保障了一致性跟踪误差指数收敛到零。同时,通过合适地选择多个李雅普洛夫函数,证明了上面的相关结论扩展到切换拓扑情况下仍然成立。其次,为了消除不连续控制器所引起的不必要的抖动影响,一个连续的基于神经网络的分布式鲁棒自适应算法进一步被设计来保障了一致性跟踪误差一致最终有界且可以调节参数使其减小。值得注意的是,所有提出的基于神经网络的鲁棒自适应算法都与任何全局信息无关,因此是全分布式的。最后,通过数值仿真来验证了算法的有效性。第五章中,考虑了一类不确定的非线性分数阶多智能体系统在一般有向网络拓扑结构下的鲁棒一致性跟踪问题。更具体地说,在本章中考虑了存在异构未知非线性和外部干扰的分数阶多智能体系统,其中包含二阶多智能体系统作为其特殊情况。首先,设计了两个分布式饱和观测器来克服传统跟踪控制策略的不足。其次,当存在一个具有未知有界状态轨迹的动力学领导者时,提出了一种具有σ修正自适应方案的不连续的基于观测器的分布式算法,以保证跟踪误差渐近收敛到零。接下来,进一步提出了一种连续的基于观测器的分布式控制算法,在此情况下一致性跟踪误差是一致最终有界的,并且可以根据需要来调节参数使其减小。在设计的控制器中使用其在线调整的神经网络来近似逼近未知的非线性项。采用σ修正自适应方法,所有提出的自适应算法只需要局部信息并且具有鲁棒性,即使存在异构未知的扰动和分数阶动力性。最后,仿真结果验证了设计的控制器的有效性。