自20世纪70年代问世以来,模型预测控制已经发展成为一个具有丰富理论和实践内容的学科分支,并且越来越受到工业控制界的关注。但是,针对广泛存在于工业过程中的周期性扰动问题,它尚没有一个专门的解决方案,无法较好地处理这一类问题。在该研究方向,目前国内外所开展的工作也很少。因此,本文在模型预测控制的基础上,开展了对周期性扰动的控制方法的研究。本文的主要研究内容和创新如下:(1)回顾和总结了模型预测控制在扰动抑制能力方面的研究进展。针对周期性扰动的抑制问题,介绍了相关控制方法的研究现状,并对现有的控制方法进行了分析和归类。(2)对模型预测控制无法较好地抑制周期性扰动的原因进行了分析以及仿真验证。推导了基于重复控制原理的模型预测控制改进算法,仿真验证了该方法的有效性,并对重复模型预测控制算法的局限性问题进行了分析和仿真。(3)针对重复模型预测控制算法在周期性扰动抑制应用中的问题,即重复控制器的控制周期必须严格与扰动周期匹配,提出了基于最优学习律的迭代学习与模型预测控制相结合的控制算法。仿真算例表明该算法能够在周期失配情况下得到较好的扰动抑制效果。(4)对于在工业过程中广泛存在的不可测周期扰动情况,引入了一种结合在线扰动模型辨识的模型预测控制方法。同时,结合周期扰动的特点,对控制算法参数的选取进行了分析。仿真算例表明该算法无需预知周期扰动的详细信息,也能够较好地抑制周期扰动。对周期扰动频率发生变化的情况同样具有较好的抑制能力,解决了其他周期性扰动控制算法还无法处理的一个问题,具有较好的实用价值。最后对全文进行了总结,并指出若干有待于今后进一步研究的内容。