迭代学习控制作为现代控制理论的重要分支之一，其高精度的轨迹跟踪能力一直为人所称道。但实际控制系统中普遍存在的各种非标准条件，如含结构不确定性、输入输出扰动、初态偏移和轨迹变化等，往往使得标准条件下收敛的学习律无法满足原有条件，甚至于发散。这同时也影响到迭代学习控制的大规模工业应用。因此，研究在非标准条件下依然收敛的迭代学习律，并保证鲁棒跟踪性能，就显得十分重要了。本文着重研究在各种非标准条件下迭代学习控制的设计问题。针对含未知有界扰动的系统，采用前馈—反馈分部设计法，将迭代学习控制的设计问题转化为标准H∞问题后求解；针对系统存在结构不确定性问题，将前馈—反馈作一体化设计，并将该问题转化为鲁棒优化问题后求解；针对输入输出扰动、初态偏移等非标准问题，设计抗干扰的改进型算法；针对轨迹变化等非标准问题，采用轨迹学习的策略以获得最优输入初值的估计，从而加快收敛速度、改进瞬态响应性能等；最后以工业机械臂为仿真对象来验证算法的有效性。主要成果有：(1)考虑一类受未知有界干扰影响的线性系统，通过鲁棒迭代学习控制分部设计法来改善其跟踪性能；首先将该设计结构下的迭代学习律收敛条件转化为模型匹配问题，然后利用标准H∞方法求解；最后对线性化后的工业机械臂作仿真，验证了算法的有效性；(2)考虑系统存在结构不确定性问题，运用鲁棒迭代学习控制的综合设计法，将反馈控制器与前馈控制器作关联设计，并将其转化为二自由度的标准设计问题；而后分析该设计下的学习律收敛条件，并利用结构奇异值及μ综合等鲁棒控制相关理论求解；再考虑系统存在输入输出扰动和初态偏移等非标准条件问题，对原有算法作必要改进，并分析其收敛条件；最后利用针对直流电机伺服系统所作的仿真验证了算法的有效性；(3)考虑系统期望轨迹变化的问题，增加对“历史轨迹”的学习能力，从而达到改善系统跟踪性能的目的；具体采用了局部权重思想来逼近系统逆，从而求得最优输入初值的估计；最后通过对直流电机伺服系统的所作的仿真验证了算法的有效性。