随着现代工业生产系统的高度复杂化，工业生产过程和系统的高可靠及高安全需求，使得故障估计相关研究工作受到研究人员的持续关注。大多数的工业系统生产采用批次往复式，重复执行同一项任务，这类工业系统在执行相同任务时，初始状态和系统结构都保持不变。而现有的经典故障估计算法针对具有重复运行特性的系统，不能达到良好的跟踪估计效果。同时，重复系统长时间运行，不可避免的受到环境因素和系统结构变化的影响，带来状态延时、参数不确定性、以及重复周期随机变化等问题，严重影响系统故障估计结果的准确性。因此，需要深入分析重复系统中故障的特性及其对系统运行性能的影响，研究具有学习能力的故障估计算法。　　论文提出了基于迭代学习策略的故障估计算法，开展重复运动系统故障信号估计和重构的研究。首先基于状态观测器设计有效估计系统状态和输出，建立误差增广系统，通过李雅普诺夫方程分析其稳定性条件；然后提出基于迭代学习策略的故障估计算法，通过优化目标函数设计证明其收敛性；最后通过LMI理论和l-范数定理对所提出的算法的增益矩阵进行求解，并通过Matlab仿真验证算例说明算法的有效性和准确性。　　针对具有重复运行性质的系统中执行器故障估计，在随机噪声的影响下分别考虑线性系统和非线性系统，提出了基于迭代学习策略的故障估计算法。在运行周期内，设计状态观测器对系统状态和输出进行重构，并通过李雅普诺夫稳定性理论对残差系统的稳定性进行约束。在不同的迭代周期中，对于带有随机噪声的线性系统，提出带有双调节因子的优化函数，对故障估计误差的收敛性和噪声下系统的鲁棒性进行约束；对于带有Lipschitz非线性项的非线性系统，设计单调节因子的优化函数，证明故障估计误差的单调收敛性。数值仿真说明了该方法在噪声或者非线性情况下，能够在有限次迭代内准确跟踪估计出重复系统故障信号。　　针对P型迭代学习故障估计算法在延时系统中存在延时和估计超调的问题，基于状态延时项，提出具有学习能力的故障估计算法。考虑状态延时对重构和估计结果的影响，一方面在状态观测器的设计中考虑延时估计项，从而解决延时引起的系统状态和输出的重构延时；另一方面在故障估计器的设计中，引入状态延时误差项，从而消除延时对故障估计结果的影响。实现对系统故障信号的准确跟踪和估计。对于P型迭代学习故障估计律引起的估计超调误差问题，考虑状态误差倒数项，将其改进为PD型故障估计算法，在保证故障估计快速性的前提下，提高故障估计结果的准确性。　　针对基于自适应观测器的故障估计算法不能准确估计不确定系统的间歇性故障，提出基于迭代学习观测器的故障估计算法。考虑系统的重复运行特性和间歇性故障的切换特性，分别利用时间域中的重构误差和迭代域中的估计误差，提出迭代学习故障估计算法。在李雅普诺夫方程的设计中，同时考虑误差增广系统的稳定性和实际运行系统的稳定性，减小不确定性对系统状态和输出重构结果的影响；通过带有鲁棒因子和迭代因子的优化方程，证明所提出故障估计算法的收敛性。与传统的基于自适应观测器故障估计算法相比，所提出的算法考虑了系统的重复运行性质，将故障估计算法由简单的时域扩展到了时域和迭代域平面中，并沿着不同的方向对其稳定性和收敛性进行了证明。　　针对不同迭代周期随机变化的重复运行系统，考虑潜在的信息缺失和冗余的影响，通过引入一个均值算子对随机变化周期引起的信息变化进行约束，提出包含系统迭代域修正误差和系统时间域重构误差的的迭代学习故障估计算法。在线性系统故障估计中，考虑均值算子的故障估计算法，由于均值算子长度的选择不同，最终估计误差会收敛到一定的范围内，出现故障估计误差振荡现象。在非线性系统中，为消除均值算子长度的影响，引入遗忘因子改进所提出故障估计算法，从而在有限次重复运行周期内，所提出算法的故障估计误差收敛。通过优化算法和范数理论，证明所提出算法的收敛性。　　在上述理论分析和计算的基础上，针对性的做了仿真验证算例；并与相关文献中现有算法进行了对比分析与性能比较，说明了所提出故障估计算法的有效性和优越性。实验结果表明本研究成果在对系统故障进行跟踪和估计上，具有良好的性能，对于系统运行安全性和可靠性等理论研究具有一定的参考价值。同时由于选取的对象是典型的具有重复运行特性的工业系统，所提出的故障估计理论具有广泛的工业应用前景。