时滞是物质和能量运动过程中固有的特性,而且一个系统中的时滞并不唯一,因此多重时滞现象是极其普遍的。多重时滞的存在使得系统的分析和综合变得更加复杂和困难,同时,多重时滞的存在也往往是系统不稳定、振荡或系统性能变差的根源之一。所以,多重时滞系统的控制研究具有重要的理论意义和应用价值。非线性系统控制是控制领域的一个重要研究方向。非线性存在于许多领域,非线性控制系统的形成主要是被控系统中包含有不能忽略的非线性因素,为提高控制性能或简化控制系统结构而人为地采用非线性元件。因此,非线性系统的研究对控制系统理论的发展有深刻的意义。在实际工业过程中,很多复杂过程都具有某种可重复的特性。迭代学习控制就适合于这种重复运动性质的被控对象,可实现有限时间区间上的完全跟踪任务。它在解决非线性和难以建模的问题上具有不可代替的优势,因此完全可以利用迭代学习控制来解决非线性多时滞系统的控制问题。本文对具有多重时滞的非线性系统进行了迭代学习控制设计,并且做了理论分析和仿真模拟。主要研究内容如下:(1)对非线性多时滞系统的一般模型进行迭代学习控制分析。在全局Lipschitz连续条件下,利用λ范数理论,证明了在PID型学习律下的非线性多时滞系统的收敛特性。最后选取了一个非线性多时滞系统的实例,通过数值模拟证明了理论推导的有效性。(2)研究了具有时滞的Hopfield神经网络系统的迭代学习控制算法的收敛性。证明了在有限的时间区间内对研究对象进行轨迹跟踪可行性,并对算法的收敛性作了分析。同样也利用实例的数值模拟,证明了理论推导的正确性。(3)讨论了在迭代初态和期望初态存在固定偏差时,非线性多时滞系统的迭代学习控制算法的收敛性情况以及怎样实现轨迹跟踪问题。