迭代学习控制(Iterative Learning Control)的任务是找出控制系统的输入,使控制系统的输出在一定的时间区内能够准确跟踪上给定的目标轨迹,并且要求快速完成整个控制过程,其适合于具有重复运动特性的被控目标。然而,现实中的跟踪目标未必都如此严格,如系统在各批次运行过程中的跟踪目标可能并不相同,并且各批次的初始状态也可能不相同,由此也影响了ILC在实际过程中的应用范围。为了应对以上条件对ILC实际应用的制约,本文主要有以下工作：1、主要针对于具有随机变化迭代长度的离散时间线性系统提出了一种不需要先验信息的ILC算法。同时针对于迭代长度随机变化这一问题,给出了一种基于传统P型学习律带有修正跟踪误差的ILC更新律。本文证明了在给定条件下算法能够收敛到指定目标,仿真实例证实了所提出的ILC算法的有效性；2、针对于具有随机变化迭代长度的离散仿射非线性系统,提出了一种ILC算法,分析讨论了初始状态在有界条件下变化的情况,给出了一种新的λ范数定义,并在这一定义下证明了算法的收敛性。基于一个实际系统模型进行了仿真实验,实验表征了所给算法的有效性,并且展现了初始状态变化的影响；3、运用机器人双足步行模型,针对文献中提出的两种ILC算法进行仿真实验,一种是基于传统P型学习律带有修正跟踪误差的ILC更新律,另一种是运用迭代平均算子设计的ILC算法。实验结果表现出两种算法的跟踪效果都很好,但同时也各有优劣。