机器人系统是一类复杂的高度非线性、强耦合的动力学系统，其高精度轨迹跟踪控制问题一直是机器人学与自动化领域的研究重点之一。基于内模原理的重复学习控制是一种能够精确跟踪周期性参考输入和抑制周期性扰动的控制方案，具有易于实现且不需要精确已知系统动力学模型的优点。结合机器人系统经常需要执行具有重复性质任务的特点以及重复学习控制特有的性质，本文针对机器人系统的高精度轨迹跟踪问题，提出了几类不同的重复学习控制方案。具体内容如下：1.形成了一类新的机器人系统非线性分散重复学习控制，并采用一类具有“小误差放大、大误差饱和”功能的非线性饱和函数来进一步提升系统的跟踪性能，使得在不增加驱动力矩的条件下获得了更快的响应速度和更高的轨迹跟踪精度。2.针对实际中出于技术或经济原因，速度信号较难测得问题，提出了机器人系统输出反馈重复学习控制策略，在只有位置信息可测以及模型信息不确定的条件下获得了良好的控制品质；实现了对周期性参考信号的渐近稳定跟踪。3.针对实际系统中驱动器存在饱和非线性的问题，提出了机器人系统输入受限情况下的有限维滑模重复学习控制方案。所提出的饱和滑模重复学习控制方案引入了饱和函数，通过先验地确定控制增益，可以保证机器人关节的输入力矩小于驱动器的最大输出力矩，有效地克服了驱动器饱和给控制系统带来的潜在影响；且算法的实现不需要完全已知系统模型信息。4.综合重复学习控制和终端滑模技术的优点，提出了机器人系统终端滑模重复学习混合控制方案。所提出的方案能够有效跟踪周期性参考信号，抑制周期性和非周期性动态的干扰，具有较强的鲁棒性和良好的轨迹跟踪性能。且算法的实现不需要完全已知系统模型信息。5.应用李雅普诺夫(Lyapunov)稳定性理论和拉塞尔(LaSalle)不变性原理证明了上述所提出的各种重复学习控制方法的(半)全局渐近稳定性，机器人系统数值仿真结果验证了上述方法的有效性。