迭代学习控制理论是智能控制的一个重要分支，传统迭代学习的基本方法是，基于上次迭代时的输入信息和输出误差的PID校正项，获得本次迭代的控制输入，经过若干次迭代，以期达到在给定的时间区间上实现被控对象以较高精度跟踪一给定目标轨线。但当被控对象含有不确定的参数或迭代学习控制律的增益系数时变时，现有的方法存在很大缺陷，如要求非线性项满足Lipschitz连续性，控制律的收敛性分析依赖于实际上是未知的理想输入，初值重置问题等。由于自适应控制在非线性不确定系统中的成功应用，如何充分利用系统的先验信息，用自适应控制设计迭代学习控制，这是一个值得研究的新课题。本文利用自适应理论设计迭代学习控制，基于Lyapunov稳定性理论，结合本质非线性系统的Backstepping设计方法，提出了两类本质非线性系统的迭代学习控制新算法，这些算法克服了传统迭代学习控制的许多缺陷，放松了传统算法的一些限制性假设。并且针对非线性工业过程稳态优化中的设定值多次变动，目标轨线多次变动的问题，提出了一种新的自适应迭代学习算法，以改善系统过渡过程的动态品质。本文的主要工作包括以下几个方面：第一，对一类未知非线性高阶系统，将神经网络引入迭代学习控制，迭代学习控制与自适应控制相结合，实现了任意精度的跟踪。实例仿真分析说明了该算法相对传统算法的有效性及其所具有的优点。第二，对一类不确定非线性系统，提出一种自适应鲁棒迭代学习控制方案。将迭代学习控制，变结构滑模控制，神经网络自适应控制以互补的方式相结合，使得跟踪误差渐近收敛于零。第三，对非线性工业控制系统的稳态优化问题，用自适应迭代学习控制对其动态施行控制，不需要状态重置，系统是连续运行的，并且有效克服了ILC应用到稳态优化控制中目标轨线选取的困难。并且推广到一类非线性系统的跟踪控制，实现了对一列期望轨迹的精确跟踪。第四，对每种迭代学习算法及其应用都做了仿真研究，验证了算法的可行性和有效性。