本论文针对实际控制过程中遇到的外部扰动、随机测量噪声、初始条件变化等问题,提出了一系列迭代学习观测器和基于观测器的数据驱动迭代学习控制方案,讨论和分析了所提出方法的稳定性,给出了严格的数学证明与仿真验证。论文的主要创新点总结如下:第一,在数据驱动设计和分析的框架下,针对具有非重复外部扰动的线性系统,为了达到对扰动进行估计的目的,设计了两种基于数据驱动的迭代学习扰动观测器(ILADOB),即,针对状态可测系统的基于状态的ILADOB和针对状态不可测系统的基于输出的ILADOB方法。所提出的两种方法都是在有限时间间隔内沿着迭代方向进行估计的,可以利用以前迭代操作中的系统数据对扰动进行估计。所得结果进一步扩展到了非线性非仿射系统。理论分析和仿真结果都证明了两种迭代学习扰动观测器的有效性和适用性。第二,针对带有非重复外部扰动的可重复非线性非仿射系统,提出了基于扰动观测器的数据驱动迭代学习控制方法,以提高控制器在非重复扰动影响下的控制效果。通过引入迭代学习扰动观测器对外部扰动引起的系统总扰动进行估计,并作为补偿用于迭代学习控制器中。从而,所提出的方法能够有效的减少非重复扰动对系统的影响,提高系统的控制性能。理论分析和仿真结果均验证了所提出方法的有效性和适用性。第三,针对带有非重复初始条件以及外部扰动的非线性非仿射系统,在数据驱动设计和分析的框架下,提出了一种基于Luenberger观测器的迭代学习控制方案,以提高被控系统的抗干扰能力。通过观测器对系统输出进行估计,并以此作为补偿直接用于迭代学习控制器中,以此来减少非重复不确定性对迭代学习控制的影响。所提出的观测器是沿迭代轴更新的,可以利用以前批次运行的数据增强观测器的性能。严格的理论分析和MATLAB仿真研究证明了所提出控制算法的有效性。第四,提出了非线性非仿射多智能体系统(MAS)的基于观测器的迭代学习控制方法,以期在非重复初始条件和测量噪声的影响下,实现MAS的一致性控制。首先,将非线性非仿射MAS系统沿迭代轴的输入输出(I/O)关系描述为线性数据模型,将非重复初始条件以及测量噪声对系统动态的影响以线性数据模型的总扰动表示,然后设计迭代扰动观测器对其进行估计。进一步,提出了一种基于观测器的可切换迭代学习控制方法(OBSILC),包括两种迭代学习一致性算法和一个参数自适应估计律,均采用了扰动估计作为补偿。两种迭代学习一致性算法的区别在于其中一个引入了迭代衰减算子,来进一步减少不确定性对控制性能的影响。两种迭代学习一致性算法根据预设的误差阈值进行切换。稳定性分析和仿真研究证明了所提出的OBSILC的有效性。