迭代学习控制(Iterative Learning Control,简称ILC)是近二十年发展起来的一种新的智能控制方法。在实际工业过程控制中,很多复杂工业过程都具有某种可重复的特性。迭代学习控制就是根据工业对象的这种特性,利用系统先前的控制经验和输出误差来修正当前的控制信息,使系统输出尽可能收敛于期望值。但是实际系统中经常存在不可重复的扰动,传统的迭代学习控制算法不能很好地对其加以抑制。本文研究了迭代学习控制中的非重复性扰动,首先深入研究了迭代学习控制多回路方法,通过对比Arimoto型多回路算法,推导出PID型迭代学习控制多回路算法,绘制出PID型多回路算法的方框图,并且证明了收敛特性,扩充了迭代学习控制迭代域的研究手段;其次,分析了内模控制原理,通过将内模控制原理引入迭代学习控制的迭代域研究框架之中,给出了基于内模控制原理的迭代学习控制框架,及高次的迭代学习控制算法;最后,研究了迭代学习控制的非重复特性,利用加权思想将传统的PID型迭代学习控制算法与内模原理相结合,得到PID-IMP型迭代学习控制算法,抑制非重复性扰动,并且优化算法参数,使算法加速收敛,同时研究了本算法对于不稳定系统的有效性,并且利用Matlab软件对PID-IMP型迭代学习控制算法进行了仿真研究,结果表明所提出来的PID-IMP型迭代学习控制算法是可行、有效的。通过建立PID-IMP型迭代学习控制算法,拓宽了迭代学习控制的应用领域,可以使迭代学习控制能更好地应用于实际生产之中。