为了获得优秀的控制效果,现有迭代学习控制(Iterative Learning Control,ILC)研究成果多依赖于对系统信息和运行数据等完备信息的获取与使用。而在满足系统容许跟踪精度和控制性能的前提下,有效降低数据量的获取与计算,不但可以降低相应的硬件与软件成本,还可以提高系统的运行效率,增强系统的鲁棒性。基于这一考虑,在数据不完备环境下针对如何设计数据驱动ILC来实现高质量的跟踪性能问题展开研究,具有重要的理论意义和应用价值。本文研究了主动不完备数据下迭代学习控制的鲁棒性与控制系统设计问题,其中主动不完备数据是指在满足给定目标的前提下,人为地降低所获取数据的数量和质量而导致有损耗的数据和信息,包括采样、量化、点对点控制等。具体工作和成果包括:1、第二章研究采样ILC问题,给出了采样时刻之间最大误差的上界估计,并提出了一种变采样频率的控制策略,以达到减小采样间隔内误差的效果。最大误差上界估计表达式表明,采样频率越高,误差上界越小,系统跟踪性能相应地越好。所提出的变采样策略为:针对连续系统及初始采样,首先建立采样迭代学习控制,迭代学习实现采样时刻点的跟踪误差收敛至给定范围内,进而检测采样间隔内的最大跟踪误差,对最大跟踪误差超出给定上界的采样间隔提高采样频率。重复上述过程,可渐近实现系统在采样时刻点、采样间隔内的跟踪误差均收敛至给定范围内。2、第三章研究确定系统的量化ILC问题,刻画了对数量化器对ILC设计与分析的影响,给出了一种基于量化误差信息的ILC更新框架,即使用量化后的跟踪误差更新系统输入信号。所提出的ILC算法能够使得系统跟踪误差逐渐收敛至零。3、第四章研究离散随机系统的量化ILC问题,仍使用基于量化跟踪误差的ILC算法,同时引入衰减型学习增益序列削弱随机噪声对控制输入的影响以实现稳定收敛。本文证明了所产生的控制输入序列在概率1意义下渐近收敛至最优输入。4、第五章研究随机线性时变系统的点对点跟踪问题,提出了基于随机逼近算法的ILC更新方法。本文通过引入一个矩阵建立完整输入轨迹与指定位置之间的关系,针对学习增益矩阵的设计进行了讨论,并对所提出的ILC算法的收敛性及渐近统计性质给出了严格的分析。