本文是以地铁列车自动运行控制为研究背景,针对地铁列车重复运行的特性,研究了基于自适应迭代学习和数据驱动迭代学习控制的单/多列地铁列车运行控制中所面临的列车动力学精确模型难以建立、速度约束、执行器故障以及多列车协同容错运行控制等若干实际问题,实现地铁列车位置速度精确跟踪控制,来保证列车安全可靠运行。本论文的主要研究内容和创新点如下:一、首先,针对地铁列车重复运行的特点,基于列车多质点动力学模型,本文研究了一种新颖的自适应迭代学习控制算法,并通过组合能量函数方法进行了收敛性分析证明,保证列车位置和速度完全跟踪上期望的位置速度曲线。其次,针对地铁列车超速防护,避免列车追尾相撞和脱轨重大安全事故的发生,基于地铁列车多质点动力学模型,研究了一种基于速度约束的自适应迭代学习地铁列车运行控制算法,利用障碍组合能量函数方法,保证地铁列车速度和位置跟踪误差沿着迭代轴渐近收敛到零,实现期望速度轨线和位置轨线的精确跟踪控制。最后,通过地铁列车仿真,验证了所设计的自适应迭代学习列车运行控制算法的有效性和鲁棒性。二、针对地铁列车迭代-时间相关的乘性和加性执行器故障以及速度约束问题,研究了一种地铁列车运行的基于径向基神经网络（RBFNN）的自适应迭代学习故障容错控制策略。首先,使用RBFNN处理地铁列车随迭代-时间变化的未知非线性;迭代学习机制是用来处理列车重复运行特征;自适应机制是处理列车迭代-时间变化非线性引起的未知不确定因素。其次,构造了一种新的障碍组合能量函数,在故障和速度约束情况下,保证地铁列车速度误差渐近收敛到零,达到了理想的列车速度跟踪控制效果。最后,通过地铁列车仿真,并与已存在的列车运行控制算法进行了对比,验证了所提出的列车容错控制算法的有效性和优势。三、针对迭代-时间相关的乘性和加性执行器故障情况下的多列地铁列车协同容错控制问题,基于列车多质点动力学模型以及列车重复运行模式,研究了一种多列车协同自适应迭代学习容错控制算法,通过构造了一种新的组合能量函数,保证了所有地铁列车的速度跟踪误差沿着迭代轴渐近收敛到零,并且确保相邻列车之间的运行距离间隔稳定在一个安全允许范围之内。最后,地铁列车仿真结果验证了所提出的多列车协同容错控制算法的有效性以及优越性。四、针对变时间区间长度的带状态约束和执行器故障的非线性系统,研究了一种自适应迭代学习容错控制（AILFTC）算法。首先,利用RBFNN方法来处理执行器故障引起的随迭代-时间变化的非线性。其次,针对变区间时间长度问题,提出了一种基于修正的跟踪误差的参数更新律。设计了一种新的障碍组合能量函数,该函数由新定义的跟踪误差构造的障碍Lyapunov函数、参数学习误差和执行器故障信息组成,用于同时处理变区间时间长度、约束条件和执行器故障的问题,并进行了严格的收敛性分析,保证了跟踪误差沿着迭代轴方向渐近收敛。进一步,将一阶系统的研究结果成功地推广到高阶系统。最后,在单连杆机械臂系统中进行了仿真研究,通过与P型迭代学习控制（PILC）和自适应迭代学习控制（AILC）的对比仿真,验证了所提出的AILFTC算法的有效性和优势。五、针对传统地铁列车运行控制策略的精确模型难以建立、计算量大成本高及存在可测/不可测扰动的问题,首先,针对扰动可测情况,本文仅利用地铁列车系统的输入输出（I/O）数据,设计了一种列车运行的数据驱动鲁棒最优点对点迭代学习控制方法。所设计的控制算法只需要地铁线路上的关键位置点信息,而不需要整条期望位置速度曲线来设计控制器,从而能够减少计算成本和提高计算效率。数据驱动鲁棒最优点对点迭代学习控制器的设计不需要地铁列车模型的任何信息,只需要其I/O数据,是一种数据驱动控制方法。利用压缩映射方法进行了严格的跟踪误差收敛性分析证明,确保了地铁列车系统的位置跟踪误差单调有界收敛。其次,推广到了扰动不可测情况下的点对点ILC控制器设计与收敛性分析。最后,通过列车仿真,进一步验证了所提出的控制方法有效性和正确性。六、针对地铁列车精确模型难以建立、位置速度曲线跟踪精度以及输入输出约束问题,对地铁列车运行控制系统进行了模块化数据驱动控制算法设计。针对列车牵引力/制动力和速度约束的跟踪控制问题,利用地铁列车运行重复性特征及其输入输出数据,设计了一种由基于偏格式动态线性化的无模型自适应控制（PFDL-MFAC）反馈内环和P型迭代学习控制（PILC）前馈外环组成的双环控制结构（PFDL-MFAC-ILC）。反馈PFDL-MFAC主要功能是稳定列车控制系统;前馈ILC用来提高列车系统控制性能,实现列车位置速度对期望位置速度曲线的精确跟踪,所设计的双环控制算法实现了MFAC和ILC的优势互补。其次,针对迭代-时间相关的扰动对地铁列车系统的影响,进行了双环数据驱动鲁棒控制器的设计。最后,列车仿真结果验证了所提出的数据驱动控制算法的有效性。