迭代学习控制由于结构简单，跟踪效果好，对模型的先验知识要求不高，对诸如机器人等有着非线性、强耦合、难建模且对运动控制有着高速、高精度要求的对象研究有着重要的意义，因而深受控制界瞩目。　　本文主要研究迭代学习控制在工业机器人上的应用。首先，分析了六自由度机器人的运动学方程及其运动学方程的求解方法。重点介绍了工业机器人动力学，建立六自由度机器人的动力学模型。　　其次，研究迭代学习在机器人控制中出现的问题。根据机器人的特点，把这些问题归纳为鲁棒性和收敛性两个方面的问题。把鲁棒性和收敛性作为评价迭代学习控制性能的一个标准，并在此基础上设计了鲁棒性和收敛性的评价指标。选择P型，PD型和自适应型这3种迭代学习控制算法，选择控制增益，设计学习律。设计两连杆机械臂这一非线性模型，通过设计的误差指标来检验这3种不同迭代学习控制算法在机械臂上的性能。通过实验，分析迭代学习算法的鲁棒性和收敛性之间关系和规律，为设计迭代学习律提供依据，避免常规学习算法的学习增益选择的盲目性，扩展迭代学习控制的实用性。　　最后，针对一类含有未知时变参数，并带有非重复时变干扰的不确定机器人系统，为精确跟踪期望轨迹并加快跟踪误差的收敛速度，提出了一种具有快速收敛的鲁棒迭代学习控制算法。通过鲁棒项来克服系统的不确定性，通过对控制增益的自动切换实现快速收敛。利用李亚普诺夫函数证明了轨迹跟踪误差的收敛性。针对两连杆机械臂的仿真结果表明，应用所提算法可实现精确的轨迹跟踪，并加快迭代学习的收敛速度。