本论文针对智能驾驶系统实际控制过程中遇到的外部扰动、未建模系统动态和测量误差等问题,提出了一系列基于数据驱动的迭代学习控制方案,研究和分析了所提方法的有效性,给出了严格的数学证明和仿真验证。论文的主要创新点总结如下:一、利用智能驾驶系统的重复运行模式,提出了一种数据驱动的高阶学习控制算法。首先,对轮式移动机器人的模型进行分析推广,得到离散时间状态空间模型,利用基于状态转移的迭代动态线性化方法,将轮式机器人系统转化为线性输入输出数据模型。以此为基础,设计了基于高阶迭代优化目标函数的最优控制律,可利用参数更新律估计线性输入输出数据模型中的未知参数,增强了控制方法的鲁棒性。所提出控制器的设计和分析只使用系统的输入输出数据,不需要任何显式的模型信息。控制律可利用更多之前迭代的控制输入信息,提高了控制性能。仿真结果验证了该方法在轮式机器人轨迹跟踪控制中的有效性。二、对于强耦合、多变量的非线性智能驾驶系统,提出了一种基于遗忘因子的数据驱动学习控制方法。首先,引入一种迭代动态线性化方法,将被控非线性系统等效化为线性输入输出增量形式。其次,针对由历史信息的累积效应所导致的控制输入不能及时响应的问题,设计了自适应遗忘因子使算法具有更好的可控性和灵活性。所提出的控制方法是数据驱动的控制方法,设计和分析过程仅依赖于系统的输入输出数据,不包含任何显式模型信息。最后,仿真结果验证了该方法在轮式机器人轨迹跟踪控制中的有效性。三、对于执行重复任务的智能驾驶系统,将轨迹跟踪问题转化为预瞄角的偏差角度跟踪问题,提出了一种数据驱动预测学习控制方案,该方案由学习控制律、迭代参数估计律和迭代参数预测律组成。该方法的优点是在控制系统设计中不需要模型信息,并通过集成预测控制思想,利用更多的预测输出信息来更新控制律和估计律,提高了控制性能,具有较好的控制性能。通过严格的数学分析和大量的仿真验证了所提控制方案在智能驾驶系统轨迹跟踪控制中的适用性和有效性。