目前大多数控制算法都由数字计算机实现,离散系统的研究显得尤为重要。然而离散系统与连续系统具有本质区别,很多适用于连续系统的非线性控制方法无法直接推广到离散系统。自适应控制能有效处理含定常参数不确定性系统的跟踪问题,但很难处理含时变参数不确定性的情形。迭代学习控制能对有限时间区间上重复运行的系统实现完全跟踪任务,但经典的基于压缩映射的方法往往要求系统满足一些苛刻条件,如全局李普希兹、初值问题等。自适应迭代学习控制吸收了自适应控制和迭代学习控制的各自优势,能有效处理含时变参数不确定性系统的完全跟踪问题。迄今为止,关于离散系统自适应迭代学习控制的研究成果还不多。本文针对离散时变非线性系统,进一步研究自适应迭代学习控制。主要工作包括以下五个方面：一、未利用Nussbaum增益,提出一种新的自适应迭代学习控制方案,解决了单输入单输出离散时变系统控制方向未知的难题。通过分别调整控制律和参数估计律,避免了控制律中零除现象。该方案可实现有限时间区间上的完全跟踪任务,且保证闭环系统全局稳定。二、结合迭代学习投影算法,提出一种反步自适应迭代学习控制方案,解决了一类参数严格反馈离散时变系统的跟踪问题。利用系统先前运行信息设计控制器,避免了离散反步法设计中的非因果问题。该方案不要求系统非线性项满足线性增长条件,且能保证系统输出完全跟踪期望轨迹。三、针对一类参数输出反馈离散时变系统,提出一种基于反步法的输出反馈自适应迭代学习控制方案。利用观测器估计系统不可测状态,结合迭代学习最小二乘算法,设计了一个新的控制器。理论分析了闭环系统的稳定性与收敛性。四、提出一种带相对死区的自适应迭代学习控制方案,完全补偿了参数与非参数系统的不确定性。针对控制增益已知与未知两种情形,分别设计控制器,讨论了闭环系统的稳定性及收敛性。五、针对一类函数增益符号未知的高阶离散时变非线性系统,引入带死区迭代学习投影算法,提出一种基于神经网络的自适应迭代学习控制方案。该方案对控制增益估计量进行调整,避免了控制器奇异问题,保证了系统全局稳定。上述所有方案均允许系统每次运行的初值和跟踪的参考轨迹沿迭代轴变化,完成的数值仿真也验证了所提方法的有效性。