工业控制领域常常存在周期性作业的被控对象,而且这些对象的精确数学模型通常无法得到,针对这些对象的研究是具有实用价值的。本文提出一种基于新型趋近律的滑模重复控制策略与非奇异终端滑模重复控制策略,消除周期性干扰对系统运行品质的影响。针对高阶非线性系统,建立一阶特征模型,该模型在降低系统阶次的同时能保留原系统的动态特性。利用学习辨识算法估计特征参数,基于此模型设计自适应迭代学习控制器,并在永磁同步电机平台上实现上述控制方法,验证其正确性。本文的主要工作包括如下几个方面：1.将传统趋近律中符号函数用一个连续化的函数替代,提出一种新型滑模趋近律,并证明了在其作用下系统状态能在有限时间内到达滑模面。为加快收敛速度,趋近律中还加入了指数趋近项。2.基于新型趋近律,分别设计连续时间系统与离散时间系统的滑模控制器,并嵌入重复控制作用以消除周期性干扰的影响；为表征切换面s的收敛过程,进行控制性能分析,引入了单调减区域、绝对吸引层和稳态误差带等概念。3.基于新型趋近律提出一种终端滑模面,针对该终端滑模控制器存在的控制奇异问题,将其改进为一种新型的非奇异终端滑模面,并与重复控制相结合提出一种非奇异终端滑模重复控制设计方法。4.针对一阶非线性系统,提出一种一阶采样特征模型,并将其推广至高阶非线性系统。针对一阶特征模型参数的快时变甚至突变特性,分别采用最小二乘学习算法和梯度学习算法估计系统参数,并采用LQ最优控制方法设计自适应迭代学习控制器,最后利用数值仿真验证了算法的有效性。5.搭建永磁同步电机实验平台,利用频域建模方法绘制出电机系统的Bode图,进而拟合出系统的传递函数,进而将其离散化为二阶离散模型；利用系统输入输出信号,通过最小二乘法辨识出电机系统的二阶离散模型；基于电机系统的二阶离散定常数学模型,将离散滑模重复控制在电机系统上实现；利用迭代学习辨识算法估计电机的一阶特征参数,并基于LQ最优方法设计迭代学习自适应控制器,给出实验结果。