非线性系统的控制问题一直是控制领域中的热点以及难点问题。众所周知,非线性时变系统极为难于控制,即使利用现代控制理论也难以设计适当的控制器。但对于具有重复运动性质的系统,如机械臂的操作,迭代学习控制(ILC)是解决这一类系统简单而有效的方法,它能提高被控对象的运动轨迹在有限时间区间上沿整个期望轨迹的跟踪精度。本文针对两连杆机械臂这一非线性模型,分别对D型、P型和A型三种不同的迭代学习控制方法设计学习律,通过对各自学习律收敛条件的分析,选择合适的学习增益,完成控制器的设计。并在此基础上,对三种学习控制算法的收敛性和对应学习律下系统的鲁棒性进行了仿真分析。旨在研究三种不同迭代学习控制算法的性能及其在两连杆机械臂系统中的应用。从仿真结果中可以看出,D型迭代学习控制和A型数据采样迭代学习控制很好的满足了收敛性和跟踪精度的要求,且收敛速度较快,在存在初始偏差、动态扰动和输出测量噪声的情况下,也具有较好的鲁棒性,进而验证了其算法的有效性。与这两种迭代学习控制相比,P型迭代学习控制的收敛条件更加严苛,收敛性和鲁棒性较差,而且收敛速度比以上两种控制方法要慢得多。考虑到两连杆机械臂的实际执行过程,D型迭代学习控制并不能达到仿真结果中的效果。原因在于,从学习律的构成来看,D型学习律利用的是前一次输出误差信号的导数信号来构造学习律,因此很容易引入噪声,从而降低其有效性:而P型和A型迭代学习控制在学习律的构造上不存在求导的问题,能有效抑制噪声。但A型迭代学习控制的性能比D型和P型学习控制要好得多,因为它兼备了D型学习控制的超前特性和P型学习控制易于执行的特性。