间歇生产过程由于占用设备空间少,操作灵活而被人们广为采用。随着间歇加工生产在世界范围内的进一步提高,导致了间歇生产企业对生产自动化和生产成本优化、过程工程优化方面提出了更加迫切的需要。因此,对间歇生产过程优化控制的研究具有重要的理论与实际意义。间歇过程的灵活性决定了加工产品随时可能改变,且不具备辨识模型所需的大量实验和时间条件,这给建立精确的间歇过程模型带来很多问题。因此,较新的研究往往是基于简化模型的,这就容易导致简化后的模型与实际过程对象存在一定的偏差。本文的工作主要研究在过程模型存在误差甚至误差较大的情况下如何有效进行间歇过程优化控制的方法,即考虑模型误差的间歇过程优化控制方法。采用迭代学习控制方法充分利用间歇过程运行时间的有限性和操作的重复性,不依赖于系统的精确数学模型,能以非常简单的方式处理不确定度相当高的非线性强耦合系统的特性。针对模型误差相对较小的情况,本文采用基于偏最小二乘算法(MPLS)和迭代学习控制(ILC)方法的批次间和批次间与批次内相结合的综合迭代优化控制策略,通过迭代优化消除模型误差及扰动对系统的影响；同时对于存在指标信息缺失情况的间歇生产过程优化控制问题,提出一种基于鲁棒优化的优化控制策略,通过间歇反应器优化控制仿真研究验证了方法的有效性。针对模型误差相对较的大情况,本文通过误差预测模型获得误差信息,并采用考虑模型误差置信区间的初始值优化方法,提出一种基于引入模型误差梯度的迭代控制学习律的迭代优化控制方法。通过酒精补料分批发酵过程优化控制仿真结果,验证了方法的有效性。