迭代学习控制是一种新型控制算法,它不依赖于动态系统的精确数学模型,是一种以迭代产生优化输入信号,通过重复执行同一任务来减少误差,使系统输出尽可能逼近理想值的方法。在众多工业过程中,系统的不确定性是不可避免的,本文针对不确定线性系统进行迭代学习控制器设计,并进行了相关的理论分析和部分仿真研究。本论文所做工作具体如下:介绍了迭代学习控制的研究意义,分析了与该课题研究方向相关的国内外研究现状。研究了连续不确定系统迭代学习控制的收敛性和鲁棒性问题。以Riccati方程的形式分别给出了开环迭代学习控制器和闭环迭代学习控制器的设计方法。通过构造Lyapunov函数来分析不确定线性系统稳定性,设计的控制器保证了系统鲁棒稳定,迭代学习过程收敛,通过调整性能函数中的参数矩阵,可以很好的控制迭代学习的速度,最后给出数值算例说明其有效性。基于2-D线性系统理论研究了不确定离散系统迭代学习控制的收敛性和鲁棒性问题。首先基于2-D Roessor模型针对不确定线性离散系统和线性时滞系统研究了迭代学习算法;其次研究了不确定线性离散系统的保性能迭代学习控制问题,以LMI的形式研究了一种具有保性能的算法;最后基于2-D Fornasini–Marchesini模型设计了算法。研究了超矢量迭代学习模型的随机扰动特性问题。利用卡尔曼滤波器算法计算测量输出误差,分析了实际输出误差和预测误差的上确界,并通过求解algebraic Riccati方程获得预测误差方差阵,以确保系统输出误差收敛到期望值。最后还研究了输出误差单调收敛的充分条件。