工业上的控制对象多是复杂、时变的,其参数会随时间发生变化。在这种情况下,对被控对象建立起精确的数学模型是一件很困难的事情,而无模型自适应控制(MFAC)不需要利用模型信息。传统的无模型自适应控制是利用输入输出数据估计出一种当前时刻的伪偏导数,再用伪偏导数算出给控制对象的控制量。对于一些复杂的系统,现有的估计方法不能算出合理的伪偏导数。神经网络具有对非线性函数的逼近性,可以利用这一特性去估计伪偏导数,提高控制精度。无模型自适应控制不具有学习功能,对于一些重复执行相同的控制任务,随着不断的迭代重复,不具有改进功能。本文将迭代学习与无模型自适应控制相结合,使得控制精度会随着迭代次数的增多而提高。本文首先介绍了传统的无模型自适应控制算法(MFAC)的基本概念,通过引入伪偏导数与伪梯度,分别推导出基于紧格式和全格式动态线性化的无模型自适应控制算法的原理,并且通过仿真实验与其他控制算法对比,验证了无模型自适应控制的优越性。然后本文将神经网络学习与无模型自适应控制相结合,在紧格式动态化条件下,提出基于神经网络的无模型自适应控制算法,通过神经网络可以逼近任意非线性函数的能力来计算伪偏导数。这种方法既有无模型自适应控制不需模型信息的优点,又利用了神经网络的优势,从而提高了控制精度。最后本文将迭代学习与无模型自适应控制结合,提出了紧格式条件下基于神经网络的无模型自适应迭代学习控制算法和在全格式条件下无模型自适应迭代学习算法。迭代学习可以在重复进行相同任务的过程中,其控制效果会随着迭代次数的增加而变好。无模型自适应迭代学习算法既有很强的自适应性和不需要模型信息的特点,还具有自学习改进误差的能力。