本论文针对多智能体系统中的高斯过程（Gaussian Process, GP）训练与预测问题，提出分布式可扩展算法。首要挑战在于通过测量数据集计算表征水声通信性能的空间场。我们采用简化的近似线性对数通信模型，对比以航行器距离为辅助变量的协同克里金法与传统克里金法。随后提出基于模型的声学性能预测方法，依托现实传播模型构建两阶段框架：i) 通过评估含估计参数的候选函数来估计协方差矩阵；ii) 预测通信性能。协方差估计通过多阶段迭代训练方法实现，采用嵌套模型保障无偏性与鲁棒性。该框架效能通过仿真与实地试验数据验证。

第二项挑战在于智能体团队在有限信息交换条件下实现未探测区域的预测。为实现高斯过程训练的分散化，采用乘子交替方向法（Alternating Direction Method of Multipliers, ADMM），针对最大似然估计下的GP超参数训练提出分散式近端ADMM闭式解。通过迭代与共识方法实现多聚合技术的分散式GP预测。此外，提出基于协方差的最近邻选择策略，使智能体子集可独立执行预测。实证评估验证所提方法的高效性。

论文结构如下：第2章讨论相关研究工作；第3章聚焦水声通信性能的模型驱动预测；第4章阐述多智能体系统的分散式可扩展高斯过程；第5章总结全文并展望未来方向。