迭代学习控制(Iterative Learning Control,ILC)是一种模拟人类“自我学习”和“自我改进”能力的智能控制算法,对于具有可重复动态特性的被控对象,通过“学习”实际运行情况与设定的期望值之间的差值,调整下次运行的控制决策,使逐渐逼近期望值。ILC基于数据驱动,原理容易理解,不需要过多的先验知识,对于含有高度不确定复杂动态系统的控制问题,具有独特优势。传统ILC适用的系统在每次运行时各项动态性能必须严格一致,这是保证系统实现特定控制性能的前提条件。但在实际控制过程中,被控系统易受各种未知因素的影响,动态性能发生变化,直接影响控制效果。本文针对几类不同情况的非严格重复被控系统,结合相关算法对迭代学习控制进行改进,提出新的控制策略,有效提升系统控制性能。本文主要研究内容如下:首先,针对含有不确定参数且具有初始迭代误差的一类非严格重复非线性连续系统,提出了一种基于二次误差的最优迭代学习控制算法。该算法是通过计算期望误差与实际误差的差值(即二次误差)的方式对控制项进行修正(E~2 ILC),使跟踪控制可以不受初始值固定等条件的限制;采用迭代学习算法识别系统不确定部分的未知参数,实现了迭代域上的优化;同时采用基于改进Sontag公式的逆最优控制,在时间域上提高控制器的收敛速度和稳定裕度。仿真结果表明,提出的最优ILC算法使系统在时间域和迭代域上都具有较好的稳定性和收敛性,同时具有较快的跟踪速度。其次,针对含有控制时滞且具有初始迭代误差的一类非严格重复非线性连续系统,提出了一种基于平行误差的快速迭代学习控制算法。该算法采用可变参数α滤波器,逐步降低初始误差带来的负面影响,不要求初始值固定;与常量滤波器相比,提升了对时变系统的跟踪能力,能够同时满足收敛速度快和稳态误差小的要求;利用本次迭代运行误差与上次迭代运行误差的差值(即平行误差)修正控制项,有效避免系统使用高阶微分运算引起的震荡不稳定。仿真结果表明,提出的算法对于具有时滞和初始迭代误差的机器臂控制系统具有较好的跟踪性能,在参数发生变化的情况下,系统仍能保持较好的鲁棒性和实时性。最后,针对具有双向网络传输误差的一类远程非严格重复非线性离散系统,提出了分布式双闭环网络迭代学习控制算法。设计本地和远程双控制器,当数据通过网络传输产生传输误差时,采用迭代域意义上的闭环控制,利用存储的历史数据进行前馈补偿,降低系统误差;同时在时间域上增加了反馈,闭环控制提高了系统的稳定性和学习速度,系统的鲁棒性也大大增强。仿真结果表明,即使多变量输出或输入向量中的每个组件都存在不同的数据传输误差时,算法仍然具有较好的控制效果。