迭代学习控制(ILC)经历了三十年的发展,不仅在实际应用中取得了良好效果,而且在理论上也取得了丰硕成就,其强大的生命力受到控制界的极大关注,已经成为智能控制的一个研究方向。ILC在解决由于对象存在非线性或建模误差所造成的不确定性问题方面具有优越性,它能在系统运行过程中,对未知信息进行在线学习,在学习过程中不断弥补缺乏的先验知识,进而使系统性能得到逐步改善。最初的ILC以开环形式出现,尽管开环ILC的理论研究已经取得了长足进展,但是,在实际应用中也暴露出许多弊端。因此开发基于过程模型的ILC算法研究,提高ILC系统的性能,对于推动ILC的理论和应用的发展具有深远意义。I.归纳和总结了迭代学习控制算法、理论研究现状,指出了迭代学习控制存在的问题和研究方向。针对一类CARMA模型描述的离散时间系统重复轨迹跟踪过程提出一种预测模型的迭代学习控制(ILC)算法,该算法基于最小方差一步预测模型,使系统输出沿着参考轨迹运行,迭代学习控制律具有超前预测控制性能；2.针对一类具有CARMA模型对象,在某一特定时间内的重复轨迹跟踪过程提出了一种基于GPC的适应性迭代学习控制(AILC)算法,该算法基于前一次已经发生的过程数据辨识过程模型参数,用过程模型参数更新迭代学习控制率参数,由前一次已经发生的过程输入和偏差计算出当前的控制输入,并对算法的收敛性和稳定性做了分析；3.针对重复加工过程中过程模型存在的未知状态干扰及输出干扰,提出一种具有迭代学习补偿的模型预测控制算法,该算法以模型预测控制为基础,利用前面批次的模型预测误差的迭代学习来补偿系统的模型干扰,减少未知干扰对预测模型造成的影响,提高重复加工过程的控制品质；4.针对一类时滞积分过程提出了一种改进Smith补偿模型参考控制算法；分别针对一类线性和非线性系统,提出一种模型参考迭代学习控制算法(LMR-ILC,NMR-ILC),其目标是在被控系统满足假设条件并采用相应学习律的条件下,使被控系统的状态变量跟踪参考模型的状态变量,且两种模型不需要具有相同的结构和参数,运用λ范数证明了算法的收敛性；5.针对离散非线性马尔科夫系统在系统模态信号可利用和不可利用同时存在情况下的镇定问题,并将其设计思想成功运用到具有数据丢失情况的迭代控制问题,通过引入一个Bernoulli随机变量表示系统模态信号是否得到,提出了基于Bernoulli随机变量的迭代学习控制算法。在理论方面,主要分析了基于CARMA模型和干扰模型补偿的ILC理论,分别对于一类线性和非线性系统模型参考ILC理论、离散非线性马尔科夫系统在系统模态信号可利用和不可利用同时存在情况下的镇定问题和基于Bernoulli随机变量的ILC理论作了研究,得到了有意义的结论。在算法方面,提出了基于GPC自适应迭代学习控制算法、基于最小方差预测的ILC算法、干扰补偿的ILC算法、一类线性和非线性系统模型参考ILC算法和非线性马尔科夫系统Bernoulli随机变量的ILC算法,对提出的算法做了稳定性分析。在应用方面,分别针对典型的化工操作单元间歇式聚合反应装置、PH中和反应过程做了干扰迭代学习补偿预测控制算法的应用研究,仿真实验取得了良好的效果。