迭代学习控制针对具有重复运行性质的被控对象，利用对象以前运行的信息，通过迭代的方式修正控制信号，实现在有限区间上的完全跟踪任务。传统的迭代学习控制以其简单的算法形式和精确的跟踪效果引人注目，但也存在着抗干扰不强的缺陷。 本文着重研究了迭代学习控制系统中的跟踪性和鲁棒收敛性问题。为了加强算法的鲁棒性，重点采用同时具有反馈与前馈作用的开闭环迭代学习控制结构，旨在给出同时兼顾收敛性和跟踪性能的鲁棒迭代学习控制律的设计方法，避免学习律参数选择的盲目性，拓宽迭代学习控制的应用范围，加强迭代学习控制的实用性。针对确定性系统，主要研究能够提高算法的收敛速度和跟踪精度的迭代学习控制技术；针对不确定性系统，主要考虑系统的特性、各种干扰对迭代学习控制过程收敛性和跟踪性能的影响。本文分析了前馈与反馈迭代学习控制保证收敛性和鲁棒收敛性的充分条件，并依据这些条件，利用频域上的设计方法和H∞控制理论来设计迭代学习控制器，并进行了仿真验证。 具体工作有：1.传统迭代学习控制的研究。利用传统的迭代学习控制结构框图进行算法分析，讨论了算法收敛的条件，并依据这些条件提出两种迭代学习控制滤波器的设计方法，每种迭代学习方法的有效性都得到了理论分析和仿真验证。 2.基于H∞控制理论的迭代学习控制的研究。根据迭代学习算法的收敛判据将迭代学习控制问题转化为H∞控制标准问题，并给出了适用于确定性系统的基于H∞控制理论的迭代学习律，然后针对不确定性系统，利用线性分式变换，提出了一种具有鲁棒性的H∞控制理论的迭代学习律，并通过仿真验证了算法的可行性和有效性。 3.采用前述控制设计方法，对具有不确定性的直线电机模型设计控制器，进行仿真，仿真结果表明由于迭代学习控制技术的应用减小了系统的跟踪误差。