迭代学习控制（Iterative Learning Control,ILC）是一种适用于执行重复性任务的智能控制方法,通过对已完成批次的历史信息进行学习,修正当前批次的控制信号,从而逐步改善系统的运行效果。随着通信技术的发展,网络环境下的迭代学习控制研究日益广泛,而量化是降低网络通信与无线传输负载,提高系统运行效率的有效方法。将迭代学习控制与量化相结合解决具有重复运行特性网络系统或无线控制系统的轨迹跟踪问题,具有重要的理论与应用意义。本文基于信息编码展开了对量化迭代学习控制及其性能优化算法的研究,其中信息编码指代对信号进行编码与解码的过程。本文的研究内容总结如下:（1）研究了具有输入信号量化的离散线性时不变系统的点对点跟踪问题,利用无限对数量化器与编码解码机制相结合的方式对输入信号进行量化,避免了直接量化输入方案中过大的量化误差对跟踪性能的不利影响。在范数优化框架下构建性能指标函数并近似处理得到相应的点对点量化迭代学习更新律,证明了系统使用该更新律可以实现跟踪误差收敛。最后,将所设计的控制律应用于直流电动机模型,仿真结果验证了所提方法的可行性。（2）研究了无限对数量化器及有限对数量化器与编码解码机制结合的迭代学习控制算法设计。从有限对数量化器情形入手,在范数优化的框架下利用相对量化误差的有界性与范数的性质构建新的性能指标函数,再设计相应的量化迭代学习更新律,从而实现输入信号量化系统的点对点跟踪目标。之后拓展到更加实用的有限对数量化器情形,并给出了饱和量化值的取值方案。将所提控制律应用于直流电动机模型,仿真结果验证了方法的可行性。（3）针对输入输出端信号量化系统的全轨迹跟踪问题,输入端使用编码解码量化方案,输出端使用直接量化跟踪误差信号方案,然后对性能指标进行放缩处理,求解得到量化迭代学习更新律。在此基础上,进一步研究所设计的更新律在执行器故障下的鲁棒性,证明了随着迭代次数的增加,系统输出在执行器发生故障后可以重新跟踪上参考轨迹。最后,通过永磁直线电机模型的仿真验证了所提方法的有效性。