自适应迭代学习控制是智能控制的一个重要的研究方向。它针对不确定系统模型重复轨迹具有很好的控制性能,对于生产实践也具有重大的意义。它能够利用控制系统之前的控制经验,根据系统的实际输出信号和期望输出信号的误差来寻找一个理想的控制输入信号,然后经过若干次的迭代,来达到在给定的时间区间上实现被控对象以较高精度跟踪给定目标轨迹。自适应迭代学习控制对于模型的先验知识要求不高,而且跟踪效果好。且现在的大多数被控系统是非线性、强耦合、难建模的,如机械臂系统,因此对于自适应迭代学习控制的研究有着重要意义。本文主要针对迭代学习控制算法中的迭代初始点随机问题,以及在实际系统应用中的迭代轨迹不完全重复和迭代长度不一致等问题进行研究分析。首先,介绍了自适应迭代学习控制方法在机械臂系统中的应用,针对不确定机械臂参数的重复轨迹问题进行的分析,对于初始状态重合的轨迹、空间封闭轨迹、初始状态点随机三种情况进行控制器设计,并进行分析论证。所提出的控制方法对于轨迹初态误差不为零时,能够实现轨迹的完全跟踪。对于迭代学习中可能出现的迭代轨迹不完全重复的情况进行分析。在设计控制器算法时,对初始误差引入函数因子去抑制初态误差对系统性能的影响。经过预设时间之后,随着迭代次数的增加,系统的跟踪误差一致收敛到零。且在运行的过程中,系统各个变量是一致有界的。此外,本文采用Lyapunov-like分析方法设计迭代学习控制器,避开满足Lipschitz的基础条件。针对自适应迭代学习控制中迭代长度出现不同时的情况进行分析。使用了一个等效误差来处理的迭代时间长度不同的跟踪任务,它有效地解决了对经典的AILC迭代长度必须相同的要求。通过对机械臂模型的仿真进行分析,理论证明和仿真结果都说明了该算法的有效性。