迭代学习控制在被首次提出后就受到了众多研究人员的关注,过去的J十年来无论是理论还是应用方面都得到了长足的发展。这种数据驱动的学习算法对于解决有限时间内的重复控制任务有着非常优秀的性能。在传统迭代学习控制问题中,控制目标往往会被设定为完整的目标轨迹,但在实际应用当中可能只需要考虑部分关键位置,一种特殊情形是只有系统运行轨迹的最终状态或输出需要精确控制。这类特殊情形具有两个特点：是唯一的测量值来自终端状态或终端输出,无法得到系统完整的输出轨迹,从而无法获得整个运行时间段内的跟踪误差,而仅能得到终端误差；二是设定的控制目标就是终端状态或终端输出,而并非跟踪完整的状态或输出轨迹,此类特殊情形被称为终端迭代学习控制问题。更一般的,若跟踪目标为完整轨迹上的若干点,相应的问题被称为点对点迭代学习控制问题。本篇论文分别讨论了基于神经网络的终端与点对点迭代学习控制问题,针对一类非仿射系统,本文引入径向基神经网络来直接逼近系统的输入信号,从而避免了强非线性问题的求解困境。通过构造辅助误差函数来补偿神经网络的逼近误差,分别讨论了定值输入与时变输入对于控制性能的不同影响,并通过类李雅普诺夫的方法进行了收敛性分析。最终将终端控制算法成功应用到了列车进站控制和间歇类型化学反应器中,另外通过一个仿真算例验证了点对点控制算法的可靠性。