众所周知,非线性系统极为难于控制,即使利用现代控制理论也难以设计适当的控制器。对于重复跟踪相同轨迹的系统,例如机械手的操作,磁盘驱动系统等,迭代学习控制是控制这一类系统简单而有效的方法。迭代学习控制针对具有重复运行性质的被控制对象,利用对象以前运行的信息,通过迭代的方式修正控制信号,实现在有限时间区间上的完全跟踪任务。正因为迭代学习控制算法的简单有效,近年来受到不少研究人员的关注,主要研究内容包括学习律的构成、收敛性、鲁棒性、初值及学习速度等问题。本论文根据当前迭代学习控制的研究现状着重分析了迭代学习控制的收敛性、鲁棒性、初始值及与其它先进控制相结合等问题,主要内容如下:首先研究了开闭环P型、D型迭代学习控制的收敛性、鲁棒性,并基于不同的学习律进行了仿真研究;其次基于P型闭环迭代控制算法与李雅普诺夫稳定性原理提出了一种估计迭代学习参数的方法,该方法可利用线性矩阵不等式工具箱方便地求解,简单有效;再次,将迭代学习控制与神经网络控制相结合,利用神经网络优化迭代学习控制的参数,充分发挥两者优点,既提高了鲁棒性又保证了控制精度;然后针对具有特定初态偏差和有界初态偏差的两种D型迭代学习控制算法,研究了其收敛性和鲁棒性,并进行了仿真研究。最后,将神经网络与迭代控制相结合,应用于一级倒立摆中,并验证了算法的收敛性和鲁棒性。