量化是降低控制系统传输负载、提高控制系统运行效率的有效手段之一,特别适用于网络环境下的控制系统。但是量化也会带来信息传输精度的降低,而编解码机制正好可以弥补这一主要缺点。针对迭代学习控制(Iterative Learning Control,ILC),如何将量化与编解码有机结合,实现系统的高精度跟踪控制,具有重要的理论意义和实用价值。本文研究了基于编解码的量化迭代学习控制问题,其中编解码是指对信号进行变换(编码)及还原(解码)的过程。本文首先在第一章介绍了预备知识,包括量化和丢包问题,另外还介绍了当前量化ILC的研究进展。第二章到第四章为具体研究内容及成果:1、第二章研究了无限和有限均匀量化器情形下基于编解码的量化ILC问题,其中,仅考虑在系统输出端量化的情形。在无限均匀量化器情形下,利用无限均匀量化器与编解码机制的有机结合模式,实现了此框架下的零误差收敛结果。分别考虑了线性系统与仿射非线性系统。仿真验证了理论结果。之后研究了有限均匀量化器情形下基于编解码的量化ILC问题,与无限均匀量化器情形下基于编解码的量化ILC问题相比,难点在于如何选择合适的量化器饱和上界,实现有限个量化级下,跟踪误差达到零误差收敛。3、第三章研究了在输出端和输入端同时应用有限均匀量化器的问题。与仅在输出端应用量化编解码相比,难点不仅在于如何选择输出端和输入端合适的量化器饱和上界,同时要考虑输出端和输入端的相互影响。通过严格理论证明,得到了在此一般量化ILC框架下的零误差收敛结果。4、第四章研究了存在丢包情形下基于编解码的量化ILC问题。应用编解码方法的核心在于编码器和解码器内部状态的同步更新。当存在丢包时,设计处理丢包的编解码器与控制器更新机制,得到了编解码ILC框架仍能实现零误差收敛的初步结果。