迭代学习控制是控制理论中的一个重要分支,它是一种智能的控制方法,可适用于具有重复运行特性而又难以建模的系统。它通过对被控系统进行控制尝试,以系统输出与期望输出的偏差信号修正不理想的控制输入,产生新的控制信号,从而使系统的跟踪性能逐步提高,最终实现对期望输出的完全跟踪。迭代学习控制理论虽然已经有了大量的科研成果,但是相关理论仍不是很完善,如任意初值问题,收敛速度问题,时滞问题等。本文针对迭代学习控制中存在的这些问题进行研究,进一步完善迭代学习控制理论的成果。本文主要做了如下几个方面的工作:针对一类线性离散系统,研究了迭代学习控制的任意初始值问题,提出一种带有初始值修正项的迭代学习控制算法。使得系统在每次迭代时的初始状态值都可任意选取,实现在初始点以外的时间内对期望轨迹的完全跟踪。针对一类线性离散系统,提出了一种带有可变遗忘因子的迭代学习控制算法,证明了所给算法的收敛性和有效性。针对一类非线性连续系统,提出一种基于信息融合的可变遗忘因子迭代学习算法,理论上证明了算法的收敛性,仿真结果表明算法有较快的收敛速度。针对带有状态时滞的线性连续系统,提出一种对初始状态和控制输入同时进行学习的策略。在理论上证明了算法的收敛性,实际输出能够实现对期望轨迹的完全跟踪,最后通过数值仿真验证了算法的有效性。针对一类带有控制时滞的离散广义系统,提出一种闭环的D型迭代学习控制算法,给出了该闭环D型迭代学习控制算法的收敛条件,并在理论上完整分析证明了在该算法的作用下系统的迭代输出收敛于期望输出。