作为一种智能控制方法,迭代学习控制由于其显著的优点和良好的控制性能,已成为非线性控制领域的热点问题之一,愈发受到众多研究人员的高度重视,并得到了广泛应用。本文以迭代学习控制方法为主要手段,研究了一类非线性参数化系统的自适应迭代学习容错控制问题,在此基础上,将提出的控制器设计方法推广到多智能体系统中,研究了一类多智能体系统的一致性问题。论文的主要工作包括:（1）针对一类包含时滞项和执行器故障的非线性参数化系统,研究了自适应迭代学习容错控制问题。首先,针对单输入单输出（SISO）系统,考虑到系统中存在的时变时滞、非线性化参数以及执行器故障等非线性项,利用参数分离技术,对这些非线性项进行分离转化,在此基础上,构造了自适应迭代学习容错控制器以及迭代域上的参数更新律;其次,将上述SISO系统的迭代学习控制器的设计思想拓展到多入多出（MIMO）系统中,设计了相应的自适应迭代学习可靠控制策略来处理由时滞项和执行器故障所引起的非线性干扰,并且利用矩阵的相关知识处理系统输出信息间的耦合性影响;然后,利用复合能量函数（CEF）分别证明了SISO和MIMO系统的状态跟踪误差沿迭代轴的渐进收敛性和闭环信号有界性;最后,通过数值仿真验证了所提出的控制策略的正确性和有效性。（2）针对一类包含时滞项、输入饱和项和执行器故障的多智能体系统,在系统重复运行的背景下,研究了一致性问题。首先,通过定义多智能体的扩展跟踪误差,并针对多智能体系统中由各类约束条件所引起的不确定性问题,构建了一种具有完全饱和参数更新规律的分布式自适应迭代学习容错控制器。然后,通过构造一种新的复合能量函数,证明了多智能体系统跟踪误差的收敛性。最后,利用典型的迭代学习控制器与本文设计的控制器做对比,验证所提出的控制方案的有效性和正确性。结果表明,本文所提出的自适应迭代学习容错控制器可以有效减少迭代次数和系统跟踪误差。