迭代学习控制广泛应用于具有重复运动特性的被控对象的轨迹跟踪问题,其利用先前批次的输入以及误差信息,不断修正当前批次的输入信号,经过足够多的批次后能够实现准确跟踪。实际中被控系统一般都是非线性系统,因此,将迭代学习控制理论应用于非线性系统的跟踪控制问题具有重要研究价值。在传统的迭代学习控制研究中,学习律的增益大多是固定不可变常数,增益固定系统收敛速度一般也固定,初始参数的设定决定了系统的运行状况。变增益学习律的提出,弥补了传统固定增益的不足,能够改善系统的动态调节性能,因此,针对具有非线性、时滞特性的对象,变增益迭代学习控制能够有效解决这类复杂系统的跟踪问题,进一步加强与完善这方面的研究很有意义。本文研究了一类非线性系统的变增益迭代学习控制,对于状态时滞、控制时滞的问题进行了探讨。具体的研究内容包括如下:（1）针对一类满足利普希茨条件的非线性系统,在传统固定增益的迭代学习控制律基础之上,利用PID控制的优势,提出了一种增益系数随时间与批次变化的学习算法。首先,给出了该系统满足收敛时的条件,其次,使用算子引理对该系统在经过多次迭代学习之后,系统的实际输出能够有效跟踪上给定曲线,进行了严格的理论证明,能够保证系统收敛。对注塑机的注射速度进行建模与仿真实验,并且和传统的固定增益型的算法作了比较,验证了所提出的控制策略的优点和有效性。（2）针对一类满足利普希茨条件的非线性系统,在具有状态时滞问题时,研究了增益系数可变的PD型学习律。利用系统运行过程中的期望输出、期望控制输入以及误差信息,设计了变增益控制器。借助算子引理和Bellman-Gronwall不等式引理,证明了该状态时滞系统的收敛性,并对具有状态时滞的CSTR反应温度模型建模仿真实验,仿真结果表明了该算法对于状态时滞系统的有效性。（3）研究了一类非线性系统在含有状态时滞和控制时滞的问题,给出了一种给定超前的变增益PID型迭代学习控制策略。首先,利用系统在迭代学习过程中的期望给定、期望控制输入以及误差量,设计了该变增益型的学习控制器。其次,用Bellman-Gronwall不等式引理以及算子引理从数学角度证明了该系统的收敛性。最后继续对CSTR模型建模仿真验证了该方法可行,并与固定增益的算法进行对比,表明了该变增益型学习律有更好地动态调节性能,其收敛速度更快。