迭代学习控制是在解决机器人控制问题时提出的，是智能系统中具有严格数学描述的一个分支。它适用于具有重复运动性质的被控系统，目标是实现有限区间上的完全跟踪任务。它通过对被控系统进行控制尝试，以输出信号与给定目标的偏差修正不理想的控制信号，使得系统的跟踪性能得以提高。迭代学习控制的研究对具有较强的非线性耦合、较高的位置重复精度、难以建模和高精度轨迹跟踪控制要求的动力学系统有着非常重要的意义。本文主要从以下几个方面进行研究：1、针对某种非线性控制系统，提出了一种带角度修正的迭代学习控制算法。该算法利用同一三角形中角度和边长对应关系的原理，将相邻两次误差的大小关系转化为对应角度的大小关系，以此来判断控制量调整的方向，并用二者角度差二分之一的正弦对修正项进行“奖—惩”，通过一次次的迭代过程来调整系统输入，最终使得输入量的收敛值对应的系统输出为系统的理想输出。最后对新算法进行了仿真，仿真实例的结果证明了它的有效性和优越性。2、研究了迭代学习控制与其他先进智能控制算法相结合的问题。针对一类非线性控制系统，对一种基于几何分析得到的迭代学习控制算法，利用模糊控制理论对算法中的参数进行了调节，加快收敛速度，解决了该算法中参数只能依靠经验给定的难题。通过仿真对比表明了该方法的可行性。3、研究了一种基于几何分析的迭代学习控制算法在单关节机器人上的应用，并和常规的P型迭代学习控制方法相比较，显示了基于几何分析方法的优越性。