近年来，基于数据的控制方法已吸引了广大学者的注意力，使其成为了控制领域的研究热点之一。由于工业技术的迅猛发展，现代工业过程变得越来越复杂，规模也变得越来越庞大。例如，化学工业过程，电力网，航空航天学等等。这导致很难构造或建立一个有效而又明确的物理模型去描述这些动态系统。另一方面，随着计算机科学的发展，尤其是在计算能力及高质量存储和通过过程工具的可信赖测量等方面，使得可以从数据驱动视角去研究这些工业过程。然而，计算机所存储的数据大部分是人工测量得到的，从而导致了这些数据不可避免地受到外界噪声的扰动。由于噪声可能会使得系统在寻求最优控制策略过程中出现解的不适定性的后果。针对这一问题，在求解系数矩阵方程组的解的过程中，文章利用总体最小二乘方法，并结合吉洪诺夫正则化的思想，使得仿真效果更好的达到预期控制目标。本文主要对基于输出数据的迭代学习控制、自适应动态规划以及离散广义系统中存在的不适定性进行了一系列研究，并且取得了一些比较好的结果。具体三个方面的研究如下：1.基于输出数据的迭代学习控制中的不适定问题研究为了达到跟踪目标，在寻求最优控制序列的问题上，进一步考虑系统系数矩阵也存在噪声扰动的情况。采用总体最小二乘方法，并且结合吉洪诺夫正则化的思想，减小因噪声影响而导致的跟踪误差以及避免病态解出现的情况。通过仿真结果对比，说明了本文方法的有效性。2.基于输出数据的自适应动态规划中的不适定问题研究在求解下一步的最优控制输入序列的问题中，同时考虑了系数矩阵方程左右两端都存在外界噪声扰动。采用基于吉洪诺夫的总体最小二乘方法，使得系统输出和状态都达到稳定。通过与其他两种方法的仿真结果的比较，进一步说明了本文方法的优越性。3.离散广义系统中的不适定问题研究把在第二方面中的研究问题推广到离散广义系统中，采取同样的方法，使得在有限的迭代次数内，系统的输出和状态都达到稳定。通过仿真结果，说明本文方法具有更广的适用性。