迭代学习控制来源于非线性系统的重复跟踪控制，解决高速运动的工业机械手的控制问题，它利用系统先前的控制经验和误差来修正不理想的控制信号，产生新的控制信号，使系统跟踪性能得到提高，因此对于常规算法难以解决的非线性问题有显著的能力。而且迭代学习控制算法简单，能以简单的迭代达到在线寻优的目的，因此应用前景广阔。 在每次迭代过程中，都要对初始条件进行定位操作，Heinzinger指出，若迭代初态不在期望初态上，会影响系统跟踪精度，甚至使系统发散。而在实际情况中，大部分情况下都不能使每次迭代的初态在期望初态上，因此研究迭代学习控制的初始值问题有很大的实际意义。迭代学习控制对非线性系统有较好的效果，因此本论文的研究对象主要为一类非线性系统。 本论文首先对迭代学习控制进行了介绍，包括原理、研究方向和国内外应用情况等，对初值问题进行了初步介绍。 对初始值问题的研究主要分为三种情况，即：固定初始值问题、任意初始值问题和初始值未知问题。对每种情况提出了相应的学习律并给出了收敛性证明，并通过仿真对算法进行验证。证明基于范数理论，利用Bellman-Gronwall定理，对收敛性进行证明。 固定初始值问题的研究分为无偏差和固定偏差两种情况，对于前者属于理想情况，即，迭代初态和期望初态一致，后者是迭代初态和期望初态存在一个固定的偏差。对于后者，算法中将初态误差引入进来从而可以使系统输出可以完全跟踪期望输出。 任意初始值问题也是目前研究的最多的问题，在对任意初始值问题的研究中，本论文将状态误差引入到算法中，这样充分利用了系统的信息，而对于其他的初始值问题算法中用的都是输出误差，这也是本论文的一个创新之处。并且通过证明和仿真验证得到了较好的效果。 初始值未知问题有着良好的应用前景，在很多情况下，系统如同一个暗箱，大部分的信息无法得到，每次迭代初值也未知，因此该算法为解决迭代初值未知的问题提供了一种途径。 然后论述了迭代学习控制在工业机械手上的应用，说明了迭代学习控制对解决工业机械手这样强耦合、高度非线性的系统有很好的作用。 最后对本论文进行总结，并提出了不足和有待改进之处，指出不仅要要求系统收敛，还要求学习速度加快，而系统收敛性和学习速度是一种相反关系，因此同时保持较快的学习速度和收敛性也是一个更深入的研究方向。