迭代学习控制利用迭代修正达到预定控制目的改善，特别适用于具有重复运动性质的被控对象，实现在有限时间区间内对期望轨迹的高精度跟踪。与其它算法相比迭代学习算法不依赖于系统的精确数学模型，而是利用以往的的控制信息和误差信息构成控制输入信号。它不需要辨识系统的参数，也不要求过多的先验知识。因此迭代学习算法为具有高度非线性、强耦合、时变的系统，如机器人系统提供了一种行之有效的方法。在现有文献的基础上，本文针对不同问题进行了深入讨论，并提出了相应的改进方法，具体工作如下：首先，针对含有初始误差的机械臂轨迹跟踪问题，提出指数变增益的非因果型迭代学习算法。该算法消除了常规迭代算法要求迭代初态与期望初态一致或迭代初态固定的限制。变增益迭代学习相比于固定增益的迭代学习不仅避免了增益选择的盲目性，还加快了收敛速度。非因果型算法与因果型算法相比，由于利用了前次迭代控制中未来时刻的误差信息，使得控制器具有提前补偿未来扰动的功能，且算法易于执行。最后，将本文所提算法在机械臂轨迹跟踪控制中进行仿真，仿真结果表明了该算法的有效性。其次，由于迭代学习算法不需要精确的数学模型，且对未建模的系统有一定的鲁棒性，因此本文针对一类具有不确定状态扰动和输出干扰的非线性系统的跟踪控制问题采用了带角度修正的迭代学习算法。用输出向量的角度关系作为评价系数来判断控制输入好坏，并对所设计的迭代学习律的变化趋势做出“奖惩”，因此大大提高了收敛速度。最后，针对一般的非线性系统，提出了一种具有可变遗忘因子的非因果型迭代学习算法。引入的可变遗忘因子可以根据系统所处的状态有效的调节控制输入，同时沿迭代方向进行滤波，从而加快了收敛速度，并削弱了系统的不确定部分对收敛性的影响。与常规的PD型算法相比，既增加了信息量又避免了导数信号的使用。将所提算法在机械臂轨迹跟踪控制中进行仿真应用，仿真结果表明了该算法的有效性和实时性。