自适应迭代学习控制综合了迭代学习控制与自适应控制策略思想，兼具了迭代学习控制对于重复跟踪系统的有效控制和自适应算法在解决不确定非线性系统问题上的优势，该控制方法已在理论上得到了越来越多学者的广泛研究，而且在实践应用上也取得了一定的发展。本文所做的研究工作如下：(1)针对一类参数未知的周期非线性时滞系统的输出跟踪控制问题，设计了一种周期自适应迭代学习控制算法。该方法利用信号置换的思想重组系统，并在假设未知时变参数和参考输出的周期具有已知最小公倍数的情况下，将时滞以及其他不确定的时变项合并为一个周期性的辅助时变参数新变量，进而用周期自适应算法来估计该辅助量。通过构造Lyapunov-Krasovskii复合能量函数，证明系统所有闭环信号是有界的，且系统输出跟踪误差收敛。最后仿真实例验证了该控制算法的有效性。(2)针对一类输入饱和的不确定非线性时滞系统的控制问题，提出了一种周期自适应补偿学习方法。利用信号置换思想重组系统，将时滞时变项合并为一个辅助参数，设计周期自适应学习算法估计该辅助量，并利用饱和补偿器补偿超出饱和限的部分，由此构成整个控制器。基于Lyapunov方法证明了系统的收敛性和闭环信号的有界性。常见机械臂的力矩控制仿真进一步验证了所提算法的有效性。(3)针对一类不确定高阶周期非线性系统的跟踪控制问题，在控制方向未知的情况下，借助Nussbaum增益函数和傅里叶级数展开，提出了一种鲁棒自适应学习控制方法。引入Nussbaum函数，通过回避使未知控制方向的难题得以成功解决；利用双曲正切函数的性质，为参数估计值设定了估计界，保证了学习算法的鲁棒性。理论分析表明该控制器能够保证系统闭环信号有界，且系统误差能够渐近收敛于零。最后通过构造数值实例，仿真结果进一步表明了所提控制算法是有效可行的。