迭代学习控制是在有限时间内经过不断反复的重复操作,实现对期望轨迹的快速跟踪,尤其适用于具有可重复运动特性的被控对象。相比于其它学习算法,迭代学习算法具有不需要系统提供精确数学模型、所需先验知识少和理论分析简单的优点。因此它对高度非线性、难建模、时变的系统,如多关节机械臂等机器人系统的跟踪控制研究具有重要的实用价值。本文针对迭代学习算法的初态问题及其三种不同收敛性分析方法、收敛速度问题进行研究。具体内容如下:首先,基于常规带初始误差修正的开环D型跟踪控制策略,针对带外界干扰量的时变非线性系统,提出了一种带初始误差修正的闭环D型快速迭代学习控制律。为加快收敛速度,缩短初始误差修正的时间,将迭代学习误差引入到控制律的时间分段函数设计中,用闭环学习方式代替传统带初始误差修正策略中的开环学习方式,提高系统实时控制性能。同时,算法中引入变形的初态学习律,使得系统初始状态能够满足半径域内的任意性,采用?范数理论和压缩映射法进行算法收敛性分析,仿真实现了加速轨迹跟踪控制。其次,针对带外界干扰量的时变非线性系统,设计了一种带初态学习和遗忘因子的指数变增益快速迭代学习控制律。基于迭代输出误差的初态学习律,不仅可以减少系统对初态的约束,而且能够有效扩展算法的实用范围,算法中增加指数变增益项,提高系统收敛速度和跟踪精度。使用算子理论及谱半径法分析开环PD型迭代学习算法的收敛性,仿真表现了算法的快速跟踪控制性能。最后,针对实际应用中可重复运行的多关节机械臂,为避免严格重复的初始状态和全局Lipschitz条件的影响,设计了一种带初态学习的神经网络自适应迭代学习控制律。基于初态偏差的初态学习律的加入,可有效避免系统初态严格相同的情况,同时,利用RBF神经网络优化控制器参数,提高系统控制精度。设计Lyapunov函数分析算法的收敛性,仿真实现了二关节机械臂的高精度跟踪控制。