迭代学习控制适合于具有重复运行性质的被控对象,它利用系统以前的控制经验来修正当前的控制输入,从而实现对期望轨迹的完全跟踪,其主要特点是无需精确已知系统的模型。迭代学习控制的研究成果主要集中于线性系统和仿射非线性系统,而对于非仿射非线性系统的迭代学习控制尚不多见。针对非仿射非线性系统,本文利用压缩映射分析方法,讨论这类系统的迭代学习辨识以及迭代学习控制问题。主要工作包括以下几个方面:第一,首先介绍了两种非线性迭代学习控制方法,即牛顿学习律和正割学习律。给出了两种非线性学习律的收敛性充分条件。第二,针对离散时间非仿射非线性系统和非仿射非线性时滞系统,讨论牛顿迭代学习律和正割学习律。为提高系统的动态性能,对系统的控制输入引入饱和函数,构造出饱和形式的非线性学习律。理论分析了具有饱和限幅的非线性学习律的收敛性条件。第三,针对非仿射非线性系统,讨论迭代学习控制的初始定位问题。已有文献在讨论迭代学习控制问题时,大多假设在每次迭代过程开始时,初始状态与理想初态重合或者固定于某确定的值。这种严格的精确定位要求在实际操作中难以实现。本文讨论了关于非仿射非线性系统的初态学习方法,同时进行控制输入的迭代学习和初态的迭代学习。理论分析了初态学习下开环学习律、闭环学习律、开闭环学习律的收敛性条件。第四,讨论含时变参数的非仿射非线性系统的迭代学习辨识问题。依据迭代学习控制理论,讨论了P型迭代学习辨识基本方法以及非线性迭代学习辨识方法。论文将迭代学习辨识应用于混沌保密通信中,将有限长度信息信号的保密通信归结为迭代学习辨识问题,并以迭代学习辨识技术完全重建信息信号。论文给出了非线性N-shift加密新方法,该方案在一定程度上增强了混沌通信的保密性能。