迭代学习控制（Iterative Learning Control,ILC）能够有效处理重复性被控系统的跟踪控制问题,并最终实现有限区间内设定的跟踪目标。其他先进的控制方法大多是基于模型设计的,而迭代学习控制不需要对被控系统的模型信息精确已知,仅需要一些先验知识就能达到跟踪控制的目的。将其应用到一类具有强非线性耦合、高位置重复精度、高精度轨迹跟踪控制和难建模的系统中时,能够表现出良好的跟踪性能。在过去几十年的发展中,国内外众多学者主要对ILC的控制律进行优化以改善算法的跟踪性能,从而能够满足实际工业过程的需要。本文主要对迭代学习优化算法进行研究,通过引入优化思想对控制律进行优化可以保证跟踪误差的快速收敛性,并讨论了算法的鲁棒性。本文主要做了以下工作:1)针对一类离散线性时不变系统的跟踪控制问题,本文提出了一种基于逆模型的PD型参数优化迭代学习控制算法。设计控制律时,在误差的比例项和微分项中均加入学习增益矩阵,该学习增益矩阵通过对建立的系统模型求逆运算得到。同时构造最优性能指标函数来优化参数,使得下一次迭代的跟踪误差仅与待优化的参数和当前次迭代的跟踪误差有关,算法的收敛性不会受到系统建模误差的影响。理论分析和仿真研究验证了该算法适用于非正定系统,即使存在建模误差和外部干扰时,该算法仍然能够表现出良好的跟踪性能。2)针对一类离散线性时不变系统的点到点跟踪控制问题,本文将点到点迭代学习控制与参数优化思想结合,提出了一种快速参考轨迹更新的点到点二阶参数优化迭代学习控制算法。首先,在对参考轨迹进行更新时,将插值法中的固定学习增益?改为在迭代域上变化的指数变增益e^?（k）,目的是使更新后的参考轨迹能够快速逼近系统输出,从而降低算法的运行时间,提高学习效率。然后,对多次迭代过程中获得的输入输出等信息进行分析并以此设计控制律,引入参数优化思想对参数进行优化,保证在每次迭代时都能保持最优的运行状态。最后,为了验证算法的有效性,利用电机驱动单机械臂控制系统的跟踪控制来验证算法的性能。3)针对一类一般的离散非线性系统,本文在迭代学习控制中引入优化思想和数据驱动控制,提出了一种基于数据驱动的参数优化自适应迭代学习控制算法。该算法采用传统的PD型迭代学习控制律,并引入参数优化思想和数据驱动控制来提高算法的跟踪性能。参数优化的过程中需要用到系统的某些参数但非线性系统难于建模,为解决这些问题,引入数据驱动控制对系统的参数进行估计。随着迭代的进行,实现对系统参数的精确估计,确保在难建模的非线性系统中也能够应用参数优化理论。整个过程都是基于已知的输入输出信息进行的,因此该算法是数据驱动的,对系统建模精度的依赖性较低。理论分析和仿真实验表明,针对一类难建模或者存在建模误差的非线性系统的跟踪控制过程中,即使存在输入和输出干扰,该算法能够表现出良好的跟踪性能。