传统的控制系统设计都要依赖于系统的数学模型，虽然自适应控制和鲁棒控制部分地解决了系统模型的不确定性问题，但在实用上，由于对其不确定因素限制较多，且计算量普遍偏大，使得实际应用上存在一定困难。学习控制是针对未知模型系统的控制而提出来的。本文着重研究了学习控制的两个分支—迭代学习控制和基于神经网络的学习控制，目的在于提高系统执行级的智能度。并对机器人高精度轨迹跟踪控制方面进行了较为系统详细的研究。本文的主要贡献在于： 1．从简单的DC伺服系统入手，提出了迭代学习的基本思想，利用高增益反馈原理，推导和证明了一类非线性动态系统的迭代学习控制方法。并在单自由度的伺服系统实验和三关节机械手的轨迹控制中得到了验证，文中就单纯迭代学习方法对负载变化适应能力差的情况，提出了基于知识库的学习思想，通过数学变换，实现了控制算法的推理计算，达到高效控制目的。 2．明确提出了可分离非线性系统的神经网络辨识新思想。实现了递推最小二乘估计和BP学习算法估计的有机结合，简化了被辨识系统的网络复杂度，提高了系统学习收敛速度。此外，就常规BP算法提出了一些改进措施，增强快速学习能力。 3．全面分析了各种网络控制结构和学习方法，提出了带反馈的直接网络控制器和多网络逆模型学习控制方法，提高了网络控制器的抗扰能力，解决了被控对象模型未知条件下的网络控制器的学习问题，从而增强了整个控制系统的学习和应变能力。 4．本文揭示了网络结构选择上的盲目性，提出了一种自适应网络结构学习的新思想。 5．本文就提高神经网络应用上的智能度，引入了模糊控制的概念，把语言变量的处理技术引入到神经网络中来，提出了混合型模糊神经网络结构和相应的学习算法，从而拓宽了神经网络的应用领域。 6．本文将所研究的成果应用于机器人的精确轨迹跟踪，在这个多变量、强耦合、未知模型的非线性动态系统控制中得到成功的应用。