在人类学习过程的启发下,迭代学习控制(Iterative Learning Control,ILC)应运而生,其关键思想是在重复中学习,从而改善系统的暂态响应和跟踪性能。若将迭代学习控制与反馈控制结合,形成反馈辅助迭代学习控制方法,可实现优势互补,增强系统在非重复干扰下的鲁棒性,并加快收敛速度。随着网络通信技术的发展,迭代学习控制理论逐渐应用于网络控制系统(Networked Control Systems,NCSs)领域。通过量化可有效减轻网络传输负载、提高系统的响应速率,但它在迭代学习控制方面的相关研究仍处于起步阶段。本文研究了反馈辅助PD型量化迭代学习控制的收敛性和鲁棒性问题,同时给出P型、PD型学习律,对比验证了所提算法在加快收敛速度方面的优越性。具体工作包括:1、将量化与反馈辅助迭代学习控制的思想相融合,提出一种反馈辅助PD型量化迭代学习控制方案,初步讨论了在量化误差信号时,系统控制器设计与收敛性分析。在接下来的具体工作中,将扩展讨论数据包丢失、随机变批次长度和变初始条件这三种情况,解决了系统数据缺失和非重复性条件的问题。2、研究了通信约束条件下的迭代学习控制问题。输出信号从远端设备向控制器传送的过程中,会发生数据量化与数据丢包的情况。将丢包模型描述为已知概率的伯努利序列。设计新的反馈辅助PD型量化迭代学习控制方案,采用压缩映射法分析证明了所提算法能够保证跟踪误差收敛到零。随后针对初始状态偏移情况,对该算法的鲁棒性进行了讨论。3、研究了批次长度和初始状态均随机变化的迭代学习控制问题。在量化误差信号的分析基础上,增加考虑量化输入信号这种方案。基于修正后的跟踪误差,设计一种新的反馈辅助PD型量化迭代学习控制算法,降低了先前ILC算法中对批次长度和初始条件均为相同的要求。利用堆积系统框架,分析证明了两种量化方案在数学期望下的学习收敛性和鲁棒性。