实际工业加工中,存在着大量在有限时间区间内反复运行的系统,而迭代学习控制是适于此类系统的一种有效控制策略。目前为止,有关迭代学习控制在轨迹跟踪问题方面的研究,均是从期望轨迹的起始点直接学习到终止点,本次迭代结束后,重新回到上次迭代的起始位置来开始下一次迭代操作。然而并没有相关的研究是从系统期望轨迹的属性特征来进行研究的,本文则从有效利用期望轨迹属性特征的角度出发,针对具有镜像对称属性的期望轨迹跟踪问题,提出一种反向型迭代学习控制方法,主要研究工作如下:首先,对具有镜像对称属性的轨迹给出了数学描述,通过利用具有对称属性的期望轨迹固有的特征,将其以中心点为界分解为前后两个独立的半轨迹,利用两段轨迹的镜像对称特征,不断交替优化调整下次迭代周期的控制量,使得系统每次迭代时不必再从轨迹的起始点学习,从而提高迭代学习控制的收敛速度。之后分析了所提方法的收敛性,并针对线性系统分别设计了反向型迭代学习控制器和传统迭代学习控制器,通过期望轨迹跟踪的仿真测试对比,验证了所提方法的可行性和有效性。其次,针对一类包含正弦函数的非线性系统,进行了反向型迭代学习控制算法的仿真测试,并将其与传统迭代学习控制算法的跟踪效果进行对比,进一步验证了本文所提方法在非线性系统的对称期望轨迹跟踪问题方面的可行性和有效性。最后,将本文所提的反向型迭代学习控制方法应用到工业机器人轨迹跟踪问题中,首先设计了基于固定参考逆模型的反向型迭代学习控制器。然后针对运动学模型存在偏差的工业机器人系统,设计了一种基于自适应运动学模型的反向型迭代学习控制器,选取卡尔曼滤波法对机械臂的运动学模型参数进行在线估计,并不断更新参考模型,以减小模型偏差。通过仿真验证以及与传统算法对比,证明了该方法能够快速跟踪期望轨迹,具有理想的可行性。故本文所提方法对于工业机器人的轨迹跟踪问题具有重要意义。