批次过程在现代智能制造工业中占据重要地位,用于生产具有高附加值的精细化产品,其产品质量在很大程度上取决于控制系统跟踪参考轨迹的精度。批次过程在有限时间区间内重复运行,而迭代学习控制能够通过学习历史运行数据修正当前控制输入,达到沿批次不断提高跟踪精度的目的,因而成为当今批次过程控制的主流方法。迭代学习控制是典型的一维控制算法,控制律只沿迭代轴更新,在时域上采用开环控制结构。因此,迭代学习控制不具备实时抗干扰能力,无法保证系统时域稳定性。模型预测控制作为一种广泛应用于工业优化的先进控制技术,通过预测未来的系统状态及输出进行滚动时域优化,能及时处理实时干扰,保证时域跟踪性能及闭环稳定性。迭代学习模型预测控制结合了迭代学习控制的点对点学习机制和模型预测控制的滚动时域优化框架,建立二维控制结构,同时实现批次过程迭代域和时域的控制目标。这种数据学习与过程控制的有机融合对推动批次制造业的智能化进程具有重大意义,是实施“中国制造2025”战略的重要环节。迭代学习模型预测控制理论仍处于发展初期,实际批次过程的强非线性、快动态、变参考轨迹及变批次长度等问题导致其应用面临着巨大挑战。本文考虑非线性批次过程的多种生产形式,提出了具有针对性的迭代学习模型预测控制策略,深入分析了算法稳定性、鲁棒性及收敛性问题。本文的主要研究工作包括:（1）建立了变参考轨迹下的非线性鲁棒迭代学习模型预测控制策略。采用线性参变模型建模非线性系统动态,在迭代学习模型预测控制中嵌入鲁棒H∞技术抑制变参考轨迹带来的跟踪误差波动,通过优化线性矩阵不等式约束下的目标函数求取控制输入信号。分析了鲁棒迭代学习模型预测控制的鲁棒稳定性和迭代收敛性。针对非线性数值算例和搅拌反应釜系统的仿真验证了所提出算法在适应变参考轨迹方面的有效性。（2）设计了快动态批次过程的非线性高效迭代学习预测函数控制策略。将非线性系统沿参考轨迹线性化得到二维跟踪误差预测模型,并在控制器设计中补偿所产生的线性化误差,构造优化目标函数为真实跟踪误差的上界。在时域上采用预测函数控制以减小待优化变量维数,从而有效降低计算负担。结合终端约束集理论,分析了迭代学习预测函数控制的时域稳定性及迭代收敛性。通过对无人车和快速间歇反应器系统的仿真,验证了所提出算法能够提高控制效率并实现高精度跟踪。（3）构造了复杂非线性批次过程的数据驱动迭代学习模型预测控制策略。利用批次过程不断累积的运行数据,构建仿射型前馈神经网络对系统非线性动态迭代辨识。考虑到神经网络建模误差导致的模型失配问题,设计了基于Tube框架的迭代学习模型预测控制策略,保证系统真实跟踪误差始终维持在Tube不变集内,从而提高系统跟踪精度。基于神经网络预测模型的仿射结构,实现对目标函数梯度的离线解析计算,提高Tube迭代学习模型预测控制的在线计算效率和优化可行性。证明了数据驱动机制下控制系统的鲁棒稳定性及迭代收敛性。针对间歇反应器的建模和控制仿真验证了所提出算法的有效性。（4）构建了变批次长度下的非线性事件触发迭代学习模型预测控制策略。采用神经网络预测序列对缺失信息进行高精度填补,保证各批次能够获得完整的高质量学习数据。根据相邻批次的运行长度关系设置事件触发条件,进行一阶学习结构和高阶学习结构的切换,实现对真实运行信息的高度利用。在以事件触发条件划分的两种控制模式下,证明了非线性迭代学习模型预测控制系统沿迭代轴的收敛性。通过对数值算例和注塑过程的仿真,验证了所提出算法的有效性。