间歇过程具有生产灵活的特点,广泛应用于化妆品、食品、药品等领域。迭代学习模型预测控制（ILMPC）兼具迭代学习控制（ILC）和模型预测控制（MPC）的优点,具有良好的抗干扰能力和约束处理能力,在间歇过程关键过程变量的轨迹跟踪中得到了广泛的应用。然而,ILMPC的预测模型是建立在原始变量空间的,变量间的共线性和高维性使得预测模型的开发变得困难和耗时。其次,ILMPC也存在在线计算量过大的问题。并且,现有的ILMPC控制器无法直接保证间歇过程终点质量。因此,论文基于潜变量技术,如主成分分析（PCA）、偏最小二乘（PLS）改进ILMPC控制方法,主要研究内容包括:（1）针对ILMPC在原始空间中难于建模且较难优化的问题,提出一种基于动态PLS模型的潜变量迭代学习模型预测控制（LV-ILMPC）算法。该算法通过使用动态PLS模型,在低维潜变量空间中设计控制器。通过这种方法,多输入多输出（MIMO）系统可以自动分解为多个单输入单输出（SISO）子系统。对于每个子系统,实现了状态空间模型,独立设计了LV-ILMPC控制器。由于各子系统模型解耦,各控制器并联运行,不仅降低了控制器的维数,而且降低了计算量。（2）为了缩短ILMPC的在线计算量,结合预测函数控制（PFC）的思想,提出了一种潜变量迭代学习预测函数控制（LV-ILPFC）算法。该方法将潜变量控制输入被构造为某些预定基函数的线性组合。每个潜变量空间可以选取不同的基函数。控制量的求取只需要在每一时刻求出线性加权系数,即可算出控制输入。该方法在兼具LV-ILMPC优点的同时,进一步缩短了在线计算量。（3）针对现有的ILMPC控制器只关注关键过程变量的参考轨迹,并不能直接控制终点质量的问题,论文提出一种能够提高间歇过程终点质量一致性的LV-ILMPC方法。首先利用关键过程变量数据定义质量合格的操作空间,其次建立操纵变量与关键过程变量的预测模型。最后基于这个预测模型,设计一种能够提高间歇过程终点质量一致性的LV-ILMPC统计控制器,并利用SPE控制限进行监控。