近年来,以智能手机为代表的电子产品需求量越来越大,消费者对产品的外观等品质要求也相应的提高,因此电子产品的金属边框和玻璃轮廓等加工的需求也就相应的越来越大,从而催生了一个巨大的市场。以手机为例,在手机金属边框和玻璃轮廓的加工制造过程中,同一批次的工件往往在一个较长的时间内重复加工很多次,而目前的加工设备和机器设计的初衷大多是解决不同类型的复杂零件加工问题,而没有考虑到同一工件的重复加工问题,因此大部分加工设备都将大批量的加工看作单品生产的总和,每一个工件的加工都是独立的,这样不仅浪费了大量的以往加工数据,而且容易产生次品。因此如何在重复的加工过程中利用以往的加工数据,让加工设备从以往的加工经验中进行学习并指导下一次的加工,改善加工质量,提高成品率成为一个值得研究的课题。针对上述情况和问题,本文首先对伺服系统的模型进行分析,利用系统的模型对一阶和高阶参数优化的迭代学习算法进行了详细的理论分析,并将算法应用于单轴位置控制器,通过仿真对比,验证了算法能够有效提高跟踪误差的收敛速度和跟踪精度;轮廓误差是衡量加工质量更为重要的指标,单轴跟踪误差的减小不一定使得轮廓误差减小,因此本文研究并改进了交叉耦合迭代学习算法,将轮廓误差估计更为精确的自然估计的方法与交叉耦合迭代学习算法相结合,给出了控制精度更高的基于自然估计的交叉耦合迭代学习算法,使得轮廓误差在重复的迭代过程中逐渐减小,控制精度更高;交叉耦合迭代学习算法对单轴的误差以及单轴误差与曲率半径的比值有一定限制,而在实际加工过程中单轴控制参数调节不理想,造成跟踪误差增大,在曲率很大的地方不满足这样的条件,限制了算法的应用,因此本文针对这种情况对算法进行了改进,单轴控制器中加入参数优化迭代学习算法加快跟踪误差的收敛速度,同时加入两个调节参数,平衡单轴控制量和轮廓控制量,打破了算法的限制条件,从而扩大了算法的适用范围。本文通过在MATLAB中的仿真对比,验证了所给出算法的有效性,并以XY平台作为实验对象,验证了单轴参数优化的迭代学习算法能有效提高跟踪误差的收敛速度,交叉耦合迭代学习算法能够在迭代过程中减小轮廓误差。