本论文针对迭代学习控制中遇到的信息不完备、初始条件变化、随机扰动等问题,提出了一系列基于数据驱动的迭代学习控制方案。讨论分析了系统的鲁棒性,给出了严格的数学证明与仿真验证。论文的主要创新点总结如下:第一,针对具有测量数据丢失的非线性非仿射系统,分别提出了基于提升迭代动态线性化和基于非提升线性化的数据驱动最优迭代学习控制(DDOILC)算法,引入伯努利随机变量来描述数据的随机丢失。基于非提升动态线性化的DDOILC方案用到了更多的控制信息,从而具有更好的控制性能。理论分析和仿真结果验证了两种控制算法的有效性和适用性,同时表明测量数据的随机丢失不会对系统的鲁棒性产生影响。第二,针对输入端和输出端都存在数据丢失的可重复系统,提出了基于补偿的数据驱动迭代学习控制(cDDILC)方法,两个伯努利随机变量用来表征输入侧和输出侧的随机数据丢包。利用线性化得到的虚拟线性数据模型沿迭代方向预测未来批次的输出数据,以此来补偿丢失的输出数据。前一次运行中同一采样点的输入数据用来补偿丢失的输入信息。所设计的cDDILC算法能够有效弥补数据丢包给系统带来的负面影响,极大地提高了系统的收敛速度。理论分析和仿真验证了cDDILC算法的有效性。第三,针对有向图下带有输出数据丢失的非线性离散时间多智能体系统在有限时间内的协同控制问题,设计了一种基于自适应估计的终端迭代学习控制(TILC)协议。同样,伯努利随机变量用来表征随机的数据丢包。学习控制律中包含常数学习增益和迭代时变增益。利用量测得到的I/O数据对偏导数进行估计,可进一步精确常数增益的选择范围。仅考虑终端时刻的输出提高了系统的收敛速度。仿真中,系统的初始状态随迭代随机变化,理论分析和仿真结果验证了所设计的控制协议的有效性。