迭代学习控制是一种广泛应用于执行重复任务的高性能控制方法,其直接根据之前批次的系统输入输出信息不断修正更新当前批次的控制输入信号,最终在有限时间内实现对参考轨迹的完全跟踪。将优化理论与迭代学习控制技术相结合,能够得到最优型学习控制器以实现快速跟踪。然而在实际的工业过程中,系统输出往往不需要跟踪完整的参考轨迹,只需要在某些特定时间点处跟踪上给定的参考值。例如机器人的“取”和“放”操作,只需要专注于拾取点与放置点的输出,其它时间点的输出往往无需多加考虑。值得注意的是,在设计控制器时往往会有很多不确定因素,例如控制器输入约束、被控系统模型存在建模不确定性以及系统运行初始条件发生偏移等。因此,综合考虑实际应用中可能存在的多种复杂控制问题,为了进一步改善迭代学习控制器控制精度和收敛速度,展开了对点对点迭代学习控制及其性能优化算法的研究。本文的研究内容如下。（1）针对一类线性离散系统的点对点跟踪问题,将优化理论与迭代学习控制技术相结合提出了一种范数最优点对点迭代学习控制算法。通过输入输出时间序列矩阵模型变换构建综合性多目标点性能指标函数,求解二次型最优解得到优化迭代学习控制律,同时给出了标称模型和乘性不确定性模型情形下所提算法最大奇异值形式鲁棒单调收敛的充分条件,并进一步根据凸优化理论得到输入约束下的的控制算法。最后,通过数值仿真实例验证了算法的合理性及有效性。（2）针对一类加性不确定性线性离散系统,在不确定性有界的假设下首先提出了结构奇异值分析法并得到了范数最优点对点迭代学习控制算法的鲁棒单调收敛条件。但是限于结构奇异值分析法的局限性,无法最大化利用点对点跟踪任务的灵活性,进一步提出了一种适用性更广的鲁棒点对点迭代学习控制算法,在最坏情况下将设计问题转换为凸优化问题并求解得到最优控制输入信号。最后,通过数值仿真验证了算法的合理性及有效性。（3）针对一类初始条件随批次变化的线性离散迭代学习控制系统,初始条件随批次变化通常会降低传统迭代学习控制算法的性能,为此提出了一种最坏情况下的鲁棒范数最优点对点迭代学习控制方法。所提算法考虑了初始条件随批次变化并将设计问题转化为优化问题,利用拉格朗日对偶函数将优化问题转化为凸优化问题,通过求解凸优化问题得到最优控制输入信号,并进一步证明了所提鲁棒算法等价于具有变增益的传统范数最优点对点迭代学习算法。最后,通过数值仿真验证了算法的合理性及有效性。