论文研究了两种典型数据驱动控制算法--无模型自适应控制算法和迭代学习控制算法--的鲁棒性问题。数据驱动控制算法的控制器设计仅使用系统的输入输出数据,不需要系统的模型信息,因此鲁棒性与基于模型控制理论的鲁棒性不同,不存在未建模动态意义下的鲁棒性。从数据的角度分析,不确定性包括扰动的影响和数据的丢失或不完备,因此本论文从数据扰动和数据丢失两个方面研究数据驱动控制算法的鲁棒性,主要研究内容和创新点总结如下一、针对存在测量扰动和负载扰动的一类非线性离散时间系统,研究了基于紧格式线性化无模型自适应控制算法(CFDL-MFAC)的鲁棒性问题。对于有界的测量噪声和负载扰动,理论上证明了CFDL-MFAC算法的鲁棒收敛性,并采用统计方法分析了测量扰动和负载扰动对CFDL-MFAC算法的影响,给出了输出误差统计特性与扰动统计特性之间的关系,进一步揭示了扰动对控制系统的作用。二、针对扰动对无模型自适应控制算法的影响,提出了四种改进的扰动抑制无模型自适应控制算法：带有衰减因子的无模型自适应控制算法、带有滤波器的无模型自适应控制算法、带有控制死区的无模型自适应控制算法和带有扰动补偿的无模型自适应控制算法。理论上证明了改进算法的收敛性,仿真示例验证了改进算法对于抑制扰动的有效性。三、针对存在测量数据丢失的一类非线性离散时间系统,研究了CFDL-MFAC算法的鲁棒性问题。给出了算法在期望意义下的鲁棒收敛性证明,并定义一个收敛速度因子研究数据丢失对算法的影响,理论上分析了当数据丢失程度增加时算法的收敛速度将变慢。仿真结果验证了理论分析的正确性。四、针对数据丢失对MFAC算法收敛速度的影响,提出带有丢失数据补偿的MFAC算法。该算法首先对丢失的数据进行估计,然后将估计值用于控制算法的更新。理论上证明了该算法的收敛性,仿真结果表明该算法与常规的MFAC算法相比可有效抑制数据丢失的影响,提高系统输出响应的速度。五、针对线性离散时间系统,研究了迭代学习控制算法存在测量数据丢失时的鲁棒性问题。给出了算法收敛的条件,并在理论上证明了一阶ILC算法和高阶ILC算法在期望意义的鲁棒收敛性。同时,设计一种H∝鲁棒迭代学习控制器,该控制器在系统存在输出测量数据丢失和迭代变化扰动时,可满足迭代轴上的H∝性能要求。仿真结果验证了算法的有效性。