论文着重研究了非线性离散时间系统的自适应迭代学习控制新方法,其贡献在于系统的初始条件和参考轨迹均可迭代不同。论文的主要工作及其创新点可总结为如下五个部分。第一、针对一般非线性离散时间SISO和MISO系统,基于一种新的迭代相关的非参数动态线性化方案,提出了非参数自适应迭代学习控制方法(NP-AILC)及其高阶形式(高阶非参数自适应迭代学习控制,HONP-AILC),理论证明了在系统初始条件随机变化时,跟踪误差在有限时间区间上的一致收敛性。其中,控制器的设计和分析仅依赖系统的I/O数据,是无模型的方法。第二、针对一类结构已知而参数时变未知的非线性离散时间系统,分别基于最小二乘算法和投影算法,提出了参数自适应迭代学习控制(P-AILC)设计的新方法。通过严格的数学分析,证明了当系统初始条件和参考轨迹均迭代变化时,所提出的方法能够保证跟踪误差沿迭代轴的渐近收敛性质。第三、针对一类具有仿射结构的非线性离散时间系统,提出了神经网络自适应迭代学习控制(NN-AILC)的死区设计。同样在不要求系统的初始条件和参考轨迹均迭代相同的假设下,跟踪误差沿迭代轴可实现指定精度的有界收敛。第四、针对一般非线性离散时间系统,提出了高阶非参数自适应控制方案(HONP-AC),并证明了系统的稳定收敛性。由于高阶控制律算法能够利用更多以前采样时刻的控制信息,从而提高了系统的控制性能。第五、利用快速路交通系统的重复性和周期性,研究了非参数自适应迭代学习控制(NP-AILC)在快速路入口匝道调节中的应用,并给出了理论分析结果。该方法在快速路交通系统的重复运行过程中,可迭代地调节入口匝道的交通流量,使快速路主道上的交通密度在整个采样周期上一致收敛到相应的期望值。