迭代学习控制作为一种智能控制方法,适用于重复运动的被控系统,主要根据输入、输出信息不断修正控制信号以减小误差,计算量少便于实现,不需要被控系统的精确模型便可以实现有限时间内对目标轨迹的完全跟踪。广义系统是一类比正常系统更一般化的系统,在实际工程系统模型中有着广泛的应用,当前广义系统迭代学习控制理论正在蓬勃发展。但在实际工程中由于各类随机因素的存在,被控系统往往很难满足迭代学习控制的严格重复性要求,可能出现不同迭代批次长度不一致、初始状态与期望初态不同、受到随机噪声干扰等情况。本文正是针对一类广义系统的随机迭代控制问题展开了研究,对于进一步丰富和完善广义系统迭代学习控制理论具有重要意义。本文主要做了以下几个方面的研究工作:针对一类批次长度随机变化的离散广义系统的状态跟踪问题,基于广义系统的受限等价分解形式提出了两种迭代学习控制算法。一种是带随机变量的PD型算法,通过理论分析给出了收敛条件并证明在该算法作用下广义系统可以实现对期望状态的完全跟踪;另一种是带平均算子的高阶迭代学习控制算法,同样通过理论分析给出了算法的收敛条件并证明了其收敛性,并且分别用数值仿真说明了两种算法的有效性。讨论了一类批次长度随机变化的离散广义系统的初态问题,对于初始状态误差有界的情况,提出一种带遗忘因子的混合PD型算法并证明了系统跟踪误差收敛到一个与初始状态误差的界有关的小范围内,并通过数值仿真验证了算法的有效性;对任意初始状态的情况,采用系统输入与初态同时学习的控制方案,理论上证明了算法的收敛性,并通过仿真说明随迭代次数增加系统实际输出可以实现对期望输出的完全跟踪。研究了一类含有随机测量噪声的线性离散广义系统的迭代学习控制问题,利用2-D线性离散系统理论建立了系统的Roessor模型,采用了一种P型迭代学习控制算法,并给出了学习增益矩阵的递推算法,理论证明了算法的均方收敛性并通过数值仿真验证了算法的有效性。