在实际的控制系统中,普遍存在非线性特性和时滞问题。这两个问题大大降低了系统的性能指标,很有可能造成系统无法稳定运行。在近些年里,非线性系统控制理论以及时滞问题都是自动化控制研究领域的热门问题。迭代学习控制方法的提出为非线性控制系统的重复性跟踪问题提供了一种新的解决方案,近几年,随着迭代学习控制理论的不断发展,考虑到传统迭代学习控制方法的缺陷,人们把自适应控制与迭代学习控制结合在一起,从而形成了自适应迭代学习控制(AILC)理论。本文分别针对含有不确定参数的无时滞和有时滞的一阶非线性系统,在基于初态学习的基础上设计相应的自适应迭代学习控制方法,并进行理论推导和数据仿真。针对一类带有干扰和时变参数的非线性系统,提出了一种基于初态学习的自适应迭代学习控制算法。针对在实际操作中很难实现每次迭代的初始值与期望初态完全重合的情况,采用初态学习的方法,放宽初态定位要求,允许迭代初态在收敛性条件范围内任意设置。利用自适应控制方法对未知常参数和时变参数进行学习估计,然后用迭代学习控制方法设计控制器算法,利用Lyapunov稳定性理论分析算法的收敛性。在此基础上对算法中的控制参数进行进一步改进,在初态学习的基础上得到模糊自适应迭代学习算法,神经网络自适应迭代学习算法,粒子群迭代学习控制算法。并对这几种控制算法进行数值仿真,证明算法的有效性。针对一类含有干扰和时变参数的非线性时滞系统,利用上述的基于初态学习的自适应迭代学习控制算法,充分利用时间域和迭代域的信息,对未知参数设计相应的自适应律,并用鲁棒控制项补偿系统中的干扰。基于Lyapunov稳定性理论,分析算法的收敛性,同时利用数值仿真验证算法的有效性。最后,总结全文的工作,对未来工作进行展望。