从上世纪中叶逐步形成的非线性控制方法主要包括自适应控制、滑模变结构控制、鲁棒控制、神经网络与模糊系统控制。学习控制发展至今才二十余年，是一个崭新的研究领域。学习控制理论的提出启发于机器人控制，其核心思想是人为给定规则，让机器通过规则自我学习和完善，通过反复运作，实现控制目标。将这一思想用于非线性系统的控制器设计，不需要对控制对象进行精确建模，在系统存在大量未知不确定性的情况下，实现输出的精确跟踪。本文深入研究非线性系统的学习控制方法，包括迭代学习控制和重复控制，具体内容有以下几个方面：　　 1．研究了一类非线性系统的采样迭代学习控制。解决学习控制器的计算机实现问题。首先分析固定初始偏移下的采样控制算法的收敛性；然后设计带初始修正作用的学习算法，使得收敛起始点能人为控制；最后引入变阶学习算法以提高系统的收敛速度和收敛精度，提出的变阶策略能进一步改善系统的控制性能。分别给出了以上三种算法的系统收敛性条件，仿真实例验证了算法的有效性。　　 2．讨论了输入具有强非线性特性的不确定性系统的学习控制方法。分别针对死区非线性输入和齿隙非线性输入两种情形，设计迭代学习控制器和重复控制器。同时考虑死区非线性和系统本身的未知非线性，引入人工神经网络，研究基于逼近器技术的学习控制方法，分析神经网络的逼近误差对系统输出收敛性的影响，并予以消除。探讨处理齿隙非线性等动态非线性的方法，基于Lyapunov-like方法设计自适应学习控制器，保证控制器的可导性，引入级数逼近技术将时变参数常数化处理，对于不可参数化部分，采用鲁棒控制技术予以消除，最终实现系统输出的渐进跟踪性能。　　 3．解决了严格反馈非线性系统的学习控制问题。对于严格三角形结构的非线性系统，常规方法采用自适应Backstepping方法，但只适合于常参数扰动系统。针对未知时变参数不满足匹配条件的非线性系统，结合鲁棒控制方法和Backstepping方法，设计学习反馈控制器，在使用级数展开技术处理时变参数不确定性时，充分考虑截断误差对系统性能的影响，并予以消除。讨论严格反馈非线性周期系统的控制器设计问题．对周期系统来说，最简单直接的方法是采用重复控制技术，但对于严格反馈系统，重复控制器的差分形式并不适用于Backstepping设计。为解决这一矛盾，综合和归纳了一类特殊函数，并明确定义为“S类函数”，分析了此类函数在用鲁棒自适应方法处理有界扰动时的作用，基于S类函数设计自适应控制器，理论分析与仿真结果表明，提出的控制方法能够实现系统输出跟踪期望轨迹，且闭环系统所有信号有界。　　 4．针对系统状态不可量测的时变非线性不确定性系统，提出基于输出反馈的迭代学习控制和重复学习控制。在Luenberger观测器的基础上设计鲁棒学习观测器，在所构造的误差方程中，采用状态估计值替代系统状态以便于系统收敛性分析。基于Lyapunov-like方法设计迭代学习控制器，对未知时变参数采用全饱和学习律以保证参数估计的有界性，进而保证整个系统所有变量的有界性。将基于观测器的迭代学习控制方法进一步推广到重复学习控制中，同样能保证闭环系统所有变量的有界性以及系统输出完全收敛于理想轨迹。