迭代学习控制理论是智能控制理论的一个重要分支，迭代学习控制的基本思想是基于上次迭代时的输入信息和输出跟踪误差的PID校正项，获得本次迭代的控制输入。经过若干次迭代后，以使得系统在给定的时间区间上实现被控对象以给定精度跟踪一给定的期望输出轨迹。 本文的主要工作包括以下几个方面： 第一，针对一类线性时变系统和一类非线性系统，提出了高阶开、闭环迭代学习控制，高阶开、闭环算法不但应用了本次迭代过程中所产生的跟踪误差信息，还应用了前几次迭代过程中所产生的信息，可以改善系统的学习性能。这种高阶开、闭环算法与单纯的高阶算法相比具有较快的收敛速度。本文分析了这种算法收敛的条件并予以证明，仿真结果也体现了这种方法的有效性。 第二，由于系统的初始状态误差影响系统的跟踪误差界，针对一类非线性系统的高阶开、闭环迭代学习控制，本人给出了一种对于初始状态也同时进行学习的高阶开、闭环迭代学习控制，这种算法可以在迭代的过程中逐渐消除初始状态对系统的影响。仿真结果表明这种算法改善了系统在迭代过程中的暂态性能。 第三，分析了一类具有脉冲响应的线性离散系统，对其迭代学习控制器的PID参数基于一定的性能指标进行优化设计。这种参数优化设计方法是根据系统本身的特点来设计的，通过数学计算方法直接计算得到迭代学习控制器的PID参数，而不是以往迭代学习控制器中基于一定条件的满足而进行凑试得到的。 第四，将这种参数优化的迭代学习控制方法推广到闭环控制，由于闭环的加入，使得系统迭代学习的速度大大加快，解决了当单独使用开环参数设计时不稳定系统学习速度慢的问题。这种开、闭环迭代学习控制算法对于不稳定系统提高收敛速度方面有较大的改善，这一点可以在仿真结果中看到。 第五，对本文所提出的各种迭代学习算法都做了仿真研究，验证了算法的可行性和有效性。