迭代学习控制(Iterative learning control,ILC)是智能控制中有着严格数学描述的一个重要分支。迭代学习控制能够对具有重复运行特点的被控系统进行控制调节,利用输出轨迹与期望轨迹的偏差修正系统下一次运行时的控制输入,使得被控系统的控制性能在迭代过程中不断地提高。迭代学习控制的显著特点是算法简单、且其自身具有良好学习能力,因此可以用来解决具有非线性、强耦合、难以建模以及高精度跟踪控制要求的问题。对于分布参数系统(Distributed Parameter Systems,DPSs),其状态变量一般为时间和空间的二元函数,而对于集中参数系统,其状态变量仅为时间的一元函数。因此,分布参数系统的学习控制比集中参数系统的学习控制要复杂得多。另外,在对连续时间系统进行分析控制时,不管是利用数字计算机对该系统进行在线分析,或是通过计算机等离散控制装置对该系统实施控制,都需要把连续时间系统进行某种程度上的离散化,转化成为等价的离散时间系统。本文以系统的输入输出之间没有直输通道的非正则离散分布参数系统为研究对象,根据系统模型的特点设计了几类迭代学习控制算法,并对有限时间区间内的迭代运行过程进行收敛性分析,确保迭代输出轨迹对期望轨迹能够实现完全跟踪。本文的主要研究内容为:首先,研究了一类带有初值学习的非正则离散抛物型分布参数系统的迭代学习控制问题。针对系统在学习过程中初值不固定及输入输出之间没有直输通道的特点,设计了一种带有初值学习的分布式D型迭代学习控制算法。利用离散Gronwall不等式、离散Green公式和压缩映射原理给出并证明了开环情形下迭代学习跟踪误差在给定时间区域内收敛的充分条件,同时分析了闭环和开闭环控制算法的相应情形。最后用数值仿真实例验证了所设计算法的有效性。其次,研究了具有高相对度非正则离散抛物型分布参数系统的迭代学习控制。针对系统具有高相对度的特点,设计了一种带有相对度p(p≥1)的分布式D型迭代学习控制算法。利用适当初边值条件下偏差分方程一般解的形式,对被控学习系统采用降维的方法,同时根据线性系统的稳定性理论给出并证明了在该学习算法的作用下迭代学习跟踪误差收敛的充要条件。最后用相应的数值仿真例子验证所提出算法的有效性。最后,对非正则离散二阶双曲型分布参数系统的迭代学习控制问题进行了研究。在适当的初边值条件下,为了实现被控系统的实际输出轨迹对期望轨迹的精确跟踪,设计了一类分布式D型迭代学习控制算法,给出并证明了在该学习算法控制下迭代学习跟踪误差收敛的充分条件,最后给出仿真实例对所提出算法的有效性进行验证。