本论文基于迭代学习控制理论研究了高速列车运行控制中的若干问题。将迭代学习控制理论算法用于高速列车的运行控制当中,能够在列车的重复运行过程中学习到系统中正确的信息,用于提高列车的跟踪精度。现将本论文的主要工作及创新点总结如下：一、考虑天气原因导致高速列车在每次运行过程中空气阻力系数的不同,设计了带有温度补偿的自适应迭代学习控制器。利用空气阻力系数与环境温度的关系,将空气阻力系数分解成两部分,即迭代不变的部分与迭代变化的部分。迭代不变的部分通过设计迭代轴上的参数更新律进行学习,迭代变化的部分使用传感器实时量测的数据进行补偿。理论分析和仿真结果验证了所提方法的有效性。二、针对高速列车在运行过程中对速度限制的要求,提出了基于状态受限的自适应迭代学习控制器。通过在控制器中引入障碍李雅普诺夫函数导数的信息,保证了列车的实时运行速度不超过相应路段设计的最大限速,确保了列车的运行安全。此外,针对列车重复运行过程中存在的非重复因素,利用传感器实时量测的数据进行补偿。严谨的数学分析证明了算法的收敛性,仿真数例验证了算法的有效性。三、考虑到列车重复运行过程中的非重复因素以及系统状态中含有量测噪声,设计了带有压力补偿的鲁棒自适应迭代学习控制器。首先,利用空气阻力系数与风压的关系,使用实测的风压数据消除了非重复因素带给列车的影响。其次,通过在控制器中引入饱和函数,解决了系统当中的量测噪声问题,同时还有效的抑制了使用传统滑模控制处理噪声带来的控制抖动。在量测噪声有界的情况下,证明了系统的跟踪误差可以收敛到一个有界的区间,仿真数例验证了算法的有效性。四、针对高速列车的多点跟踪控制问题,利用列车的多质点模型,设计了-类范数最优的点对点迭代学习控制器。将列车的非线性模型在工作点处展开,利用范数最优的设计思想,只使用跟踪点的输入输出信息,使得控制信号的计算量大大降低。为了将研究问题更加贴近实际,被控对象使用多质点模型,并且同时考虑列车实际运行过程中的模型不确定以及阵风对列车运行的影响,对所提理论算法进行了鲁棒性分析。严谨的数学分析证明了所提方法的正确性,仿真研究验证了算法的有效性。五、考虑多列车的协调运行控制,提出了基于多智能体协同的自适应迭代学习控制策略。将一组有序运行的高速列车看做一个多智能体系统,根据其重复运行的特点，利用列车自身以及邻车的信息,设计迭代学习控制策略,通过不断的学习使得每个列车都能跟踪上列车的期望速度,从而各个列车达到一致性要求。能量势函数的引入确保了任意相邻两车之间的距离始终保持在设计的安全范围之内,从而避免了列车追尾事故的发生,保障了多列车的安全运行。理论分析和仿真结果验证了所提方法的有效性。