迭代学习控制是一种能有效处理重复性跟踪问题或周期性干扰抑制问题的控制方法。传统的PID型迭代学习控制方法虽然可以实现被控对象以较高精度跟踪给定的目标轨线，但也存在着较大的缺陷，如要求非线性项满足全局李普希茨连续性、初值重置问题等。而上世纪90年代中期产生的自适应迭代学习控制方法很好的克服了PID类控制方法的一些不足，并且为参数化系统的控制问题提供了强有力的工具。　　 按不确定参数在状态方程或输出方程中的表现形式，参数化系统又可分为线性参数化不确定系统和非线性参数化不确定系统。虽然目前线性参数化系统的自适应迭代学习控制的研究已有许多成果，理论也较成熟，但非线性参数化系统的研究却进展缓慢。因为实际工业中的控制问题很多都是非线性的，所以非线性参数化系统的研究在理论上和现实中都具有更大的价值。　　 本文基于Lyapunov稳定性理论，提出非线性参数化系统的自适应迭代学习控制的新算法。主要工作包括以下几个方面：第一，针对一类严格反馈非线性参数化系统，提出了一种新的自适应迭代学习控制方法。该算法利用分离性原理和Backstepping方法相结合，可处理非线性参数化不确定项和不匹配的不确定项。通过构造参数的微分-差分型自适应律和学习控制律，使得跟踪误差的平方在一个有限区间上的积分收敛于零。构造了复合能量函数，证明所有信号均在有限时间区间内是有界的。第二，针对一类控制增益未知的含有时变和时不变参数的非线性参数化系统，设计了一种自适应迭代学习控制方法。该方法通过对前n-1个方程采用Backstepping方法设计稳定化函数和时不变参数自适应律，对最后一个方程进行重新参数化估计，有效地处理了控制增益未知的问题。第三，针对一类更一般的非线性参数化系统，设计了一种自适应迭代学习控制方案。该方法有效地处理了含有状态向量的非线性参数化项，实现了该系统对目标轨线的跟踪问题。第四，对于上面提出的三种算法，本文都给出了仿真例子，以验证算法的可行性和有效性。