迭代学习控制作为一种自动控制与人工智能相结合的新的学习控制技术，它非常适合于具有重复运动特性的被控对象，可以实现有限时间区间上任意精度的跟踪。目前迭代学习控制的研究，在理论和应用两方面都取得了一定的成果。但在理论算法上，大都是为了获得较好的跟踪性能，存在结构比较复杂，可控性和实时性不高等问题；另外，工程上的实际应用也不够成熟。　　 本研究主要内容包括：⑴迭代学习控制基本学习律的应用中，存在没有参考指标用于参数大小的选定、跟踪误差的单调收敛性不能保证等问题。本文研究了两种参数优化方法：对正定的离散系统，提出了一种迭代学习控制的自适应参数优化算法，保证迭代学习算法中的参数每次迭代都是最优的；对线性离散时不变系统，提出了一种基于一定性能指标优化迭代学习控制器PID参数的方法。仿真结果表明，上述两种算法具有算法简单、收敛速度快，且能保证跟踪误差单调收敛等优点。⑵针对一类在有限时间区间上可重复运行的二阶线性慢时变系统，在模型参考自适应控制算法的基础上，提出了基于迭代学习的模型参考自适应控制算法。不仅实现了轨迹跟踪层面上的学习，也实现了系统层面上的学习，还缩短了跟踪期望轨迹的调节时间。⑶系统介绍了dSPACE实时仿真系统的硬件组成、软件环境、实时仿真功能以及利用dSPACE开发控制系统的流程。⑷基于dSPACE硬件和软件平台，设计了直流伺服电机的快速控制原型，实现了迭代学习控制应用于直流伺服电机的位置控制。上述工作在迭代学习控制理论和应用两方面做出了具有针对性的研究，为解决相关控制问题提供了相应的参考方案。