移动边界分布参数系统是指空间域边界依赖于时间变化的系统,此类系统的模型在流体力学、化学反应过程、波动方程、工业过程等方面有着广泛的应用背景。不同于固定空间域的传统分布参数系统,移动边界分布参数系统通常具有时变的特点,给系统的控制问题增加了难度,同时为系统设计一款控制精度高、观测性能较好的控制策略成为一个重要的研究问题。迭代学习控制（Iterative Learning Control,ILC）是根据系统的跟踪误差来反复修正不理想的输入信号,使得系统输入沿迭代轴不断更新,最终达到系统实际轨迹完全跟踪系统期望轨迹的一种智能控制方法,并且具有跟踪精度高、算法便于设计且控制器结构较为简单等优势。本文研究了三种不同类型移动边界分布参数系统的输出跟踪问题,分别设计不同的迭代学习控制算法,通过严格数学理论证明对系统的收敛性进行分析,并分别对所设计的算法进行相应的数值仿真验证。主要研究内容包括以下三个部分:（1）针对一类具有移动边界特点的线性抛物型分布参数系统的输出跟踪问题展开研究。设计一种开环P型迭代学习控制算法,运用压缩映射原理、Bellman-Gronwall不等式等方法得到了跟踪误差的收敛性条件,并且通过数值仿真对算法的有效性进行验证。（2）对一类空间域边界随时间连续变化的非线性抛物型分布参数系统的输出跟踪问题进行讨论。考虑系统初值重置具有较大偏差的情况,设计一种闭环变增益加速迭代学习控制算法,通过严格的理论分析给出跟踪误差收敛性的充分条件,证明系统跟踪误差在~2范数意义下沿迭代轴的正方向收敛,且当迭代次数k??时,跟踪误差收敛到0。通过数值仿真验证了所设计闭环变增益加速迭代学习控制算法有效性。（3）考虑一类具有移动边界特点的二阶双曲型分布参数系统,针对系统的输出跟踪问题展开研究。设计一种高阶迭代学习控制算法,通过严格的理论分析,给出了系统输出跟踪误差收敛的充分条件,并证明了系统的实际输出轨迹可以完全跟踪系统的期望输出轨迹,最后通过数值仿真验证了所设计高阶迭代学习控制算法的有效性。