迭代学习控制(Iterative Learning Control简称ILC)是智能控制理论的一个重要分支。迭代学习控制适用于那些具有重复运动特性的被控对象，它利用控制系统先前的控制经验，根据系统的实际输出信号和期望输出信号来寻找一个理想的控制输入信号，经过若干次迭代，以期达到在给定的时间区间上实现被控对象以较高精度跟踪给定目标轨迹。迭代学习控制，结构简单，跟踪效果好，对模型的先验知识要求不高。对诸如机器人等有着非线性、强耦合、难建模且对运动控制有着高速、高精度要求的对象，迭代学习控制的研究有着重要的意义，因而深受控制界瞩目。本文主要研究线性系统、非线性系统以及广义系统的迭代学习控制问题，主要内容如下： (一)首先讨论了单输入多输出和多输入单输出定常线性系统的迭代学习控制问题，构造带遗忘因子的P型学习律，而且证明此学习律是一个压缩映射，该学习律产生的序列收敛到唯一的不动点，在该学习律作用下系统的实际输出逐渐逼近系统的理想输出，同时给出学习增益矩阵以及遗忘因子的设计方法。其次针对迭代学习控制中应用最广泛的D型和P型学习律给出迭代次数与约束条件之间的定量关系，并且指出系统的收敛速度与范数约束之间存在着直接关系。同时给出使系统的收敛速度达到最快的增益矩阵的选择方法。接着讨论线性离散系统的二次最优学习控制的收敛速度问题，为了平衡误差与控制之间的关系，在二次性能指标函数中引入控制的加权项，以便使得控制输入收敛到可以实现的信号，基于遗传算法分析了离散系统的最优学习控制的收敛速度，而且通过遗传算法给出系统实际输出快速收敛到理想轨迹的增益矩阵的确定方法。最后考虑多输入多输出的定常线性系统的迭代学习控制问题，给出改进的迭代学习控制算法，及时利用最新算出的分量代替旧的分量进行学习，在此学习律作用下系统的实际输出快速逼近系统的理想输出而且给出了数值仿真实例。 (二)主要讨论非线性控制系统迭代学习控制问题，给出改进的学习控制算法，通过该算法学习控制系统能以更快的速度收敛到期望的轨迹。另外，为了分析不同学习算法的收敛速度，引进了收敛速度定义。比较了非线性控制系统的D型和PD型，P型和PI型学习律的收敛速度，结果表明，D型学习律的收敛速度比PD型学习律的收敛速度快，P型学习律的收敛速度比PI型学习律的收敛速度快。 (三)从频域角度探讨了单变量系统和多变量系统的迭代学习控制问题，给出了迭代学习控制系统收敛的条件。研究了含有乘法和加法不确定性的时不变不确定性单变量系统的鲁棒迭代学习控制问题。给出了在L<,2>范数意义下系统最终跟踪误差小于系统初始跟踪误差的条件。另一方面，也建立了迭代学习控制与鲁棒控制理论之间的联系，这样可使迭代学习控制设计者应用鲁棒控制理论解决迭代学习控制问题。其次，讨论了多变量系统的迭代学习控制问题，首先对被控对象进行预补偿，然后再进行学习控制，给出了迭代学习控制收敛的条件。 (四)针对线性时不变广义系统的迭代学习控制问题，利用时间加权范数性质，通过Frobenius范数给出广义系统在D型和PD型闭环学习律作用下，系统的实际输出轨迹逐渐逼近理想输出轨迹的充分条件。在对广义系统进行标准分解的基础上，研究含脉冲快子系统的迭代学习控制问题。通过Frobenius范数给出了快子系统的迭代学习控制在P型学习律收敛的充分性条件，同时给出求解增益矩阵的方法。其次，分别讨论了单输入单输出广义系统中控制输入项和前馈项中含有区间不确定性的迭代学习控制问题，通过优化方法和遗传算法给出该系统在P型学习律作用下系统实际输出尽可能快速地收敛到理想输出的增益的选择方法。