对于一些具有重复性操作的系统（如机械臂等）经常会考虑其有限时间内对参考轨迹的跟踪控制问题,而迭代学习控制（Iterative Learning Control,ILC）技术是解决此类问题的有效工具之一。目前,有关ILC的现有结果大多集中于渐近跟踪,即跟踪控制是在迭代数趋于无穷时实现的。但在实际应用中,更有意义的是能够实现有限次迭代跟踪并且提高算法的收敛速度。此外,实际系统不可避免地存在时滞、丢包及外部扰动等不确定性因素,这些因素无疑会影响控制系统的性能,甚至会导致系统失稳。因此,为进一步深入分析轨迹跟踪问题,在系统控制设计初期考虑不确定因素的影响,具有重要的理论意义和应用价值。基于上述分析,本文针对离散线性重复系统的鲁棒迭代学习控制问题展开了深入研究。论文的主要研究工作包括以下几个方面:（1）研究了存在时滞的离散线性重复系统在有限频域内的ILC问题。针对存在状态时滞的离散线性重复系统,设计了一种基于观测器的有限频域迭代学习控制算法。同时借助Kalman-Yakubovich-Popov（KYP）引理,给出了被控系统稳定的充分条件,保障了跟踪误差在有限时间内的单调收敛性,实现了被控系统对参考信号的准确跟踪。最后,通过仿真算例证明了算法的可行性。（2）研究了存在数据丢包的离散线性重复系统的有限次鲁棒ILC问题。针对存在外部扰动和数据丢包的离散线性重复系统,首先引入了有限迭代跟踪的定义,然后借助提升向量矩阵技术和范数放缩技巧,分别提出无丢包和丢包存在情况下的鲁棒迭代学习控制器的设计方法。所提出的算法均能实现系统对期望轨迹的有限次迭代跟踪,并分别给出了迭代上界的数学计算方法。最后,通过仿真验证了该结果的有效性。（3）研究了一种基于滑模控制思想的改进的鲁棒ILC设计问题。针对存在外部扰动的离散线性重复系统,利用并借鉴滑模控制设计思想和策略,首先提出了一种改进的快速迭代学习控制算法。对应于滑模控制系统的快速到达阶段和滑动模态,该学习算法亦存在两个阶段。接下来利用Lyapunov函数方法,给出了系统稳定的可解性条件,并提出最优控制器增益设计方案。最后通过龙门式机器人的仿真算例证明了所提出控制设计算法的有效性与优越性。