迭代学习控制是模仿人学习行为的一种智能控制技术，主要应用于具有周期性或重复性的工业过程控制。该控制策略的主要特点是能够实现系统控制性能沿周期指标的不断改善。随着现代工业中具有重复性和周期性的系统和生产过程不断出现，迭代学习控制已经成为了现代控制技术中的一种重要控制方法。 传统的迭代学习控制策略具有设计简单的优点，但在控制律的设计和系统分析中只考虑了控制性能沿周期方向的收敛性，这使得所设计的学习控制律完全是基于重复(周期)系统在上一个工作周期的系统信息，这对于系统当前工作周期来说，本质上只是开环前馈控制，不能保证控制系统在每一个周期内的控制性能。为了保证控制系统在每一个工作周期中沿时间方向仍然具有良好的鲁棒收敛性，一种有效的解决方法是在传统的迭代学习控制策略中结合沿时间方向的反馈控制策略，构成复合迭代学习控制策略。但目前在已有的复合迭代学习控制设计和分析方法中，大多仍然只考虑了系统沿迭代方向的收敛特性，对复合迭代学习控制策略中两种不同控制策略对系统控制性能的影响缺乏系统描述和有效的分析方法。在设计方面，也缺少有效的方法来保证两种控制策略的集成设计和优化。对于非重复性、非线性和不确定性成份较重的重复(周期)系统来说，设计迭代学习控制策略，保证控制系统沿时间和周期方向同时具有良好的鲁棒性收敛性具有十分重要的研究价值和应用价值。 本论文从迭代学习控制系统的2D本质特性出发，通过建立了复合迭代学习控制系统与2D反馈控制系统在设计和分析上的同一性，在系统发展和完善一类特殊2D系统的鲁棒性分析和控制系统设计的基础上，系统地提出了基于2D状态反馈和2D动态输出反馈的鲁棒迭代学习控制策略，解决了复合迭代学习控制系统中系统沿时间和迭代方向鲁棒收敛性的描述、分析和优化设计问题。为了保证控制系统沿时间和周期方向具有2D的优化控制性能，本论文还将应用广泛的线性二次型(LQ)最优控制和广义模型预测控制(GPC)思想推广到2D系统，在此基础上，提出了基于单周期和多周期二次性能指标优化的复合迭代学习控制策略以及广义2D模型预测迭代学习控制策略，并对闭环控制系统的收敛性、鲁棒性和稳态控制性能展开了深入的讨论。对于上述所有迭代学习控制策略，本论文不仅通过实例仿真证明了设计算法的有效性以及控制系统良好的控制性能，最后还将广义2D模型预测迭代学习控制策略成功地应用于注射成型过程的保压段喷嘴压力控制。实验结果表明：发展基于2D控制理论的迭代学习控制策略不仅具有深刻的理论价值同时也具有良好的适用价值。 本论文的创新性体现在：1)首次完全从2D系统的角度来看待并描述、分析和设计复合迭代学习控制系统。通过建立迭代学习控制系统与一类2D系统的等价关系以及引入2D系统在不同演进方向上的稳定概念和收敛指标来定量描述迭代学习控制系统在时间和迭代方向上的鲁棒稳定性和收敛性。在此基础上，通过进一步发展基于2D状态和2D动态输出反馈的2D系统鲁棒控制理论，提出了相应的鲁棒迭代学习控制策略。设计方法不仅实现了复合迭代学习控制策略中迭代学习控制律和鲁棒反馈控制律的集成设计，还保证控制系统在时间和周期方向同时具有平衡优化的鲁棒稳定性和收敛性。 2)从迭代学习控制系统特殊的2D动态特性出发，通过发展2D系统的线性二次型最优控制理论，首先提出了基于单周期和多周期线性二次型性能指标的最优迭代学习控制策略，为了平衡控制性能和设计的复杂性，发展了性能指标沿周期方向滚动的最优迭代学习控制策略，同时给出了系统沿周期方向的鲁棒稳定性和收敛性分析方法。对闭环控制系统的结构分析表明，这些设计方法实现了2D迭代学习控制律和2D最优反馈控制律的集成优化设计，保证了闭环控制性能在时间和周期方向的整体优化。 3)首次将广义模型预测控制(GPC)的基本思想从1D系统推广到2D系统，提出了基于单周期和多周期性能指标的广义2D模型预测迭代学习控制(2D-GPILC)策略，并分析了系统的稳态性能和组成结构。分析结果表明：所得到的迭代学习控制策略是由沿时间方向的GPC和沿周期方向的ILC组成。 4)从2D系统的角度揭示了迭代学习控制的2D本质。传统迭代学习控制策略本质上是沿周期方向的积分控制，这不仅解释了迭代学习控制能够保证控制误差沿周期方向收敛的原因，同时也展示了从2D系统的角度来分析和设计迭代学习控制策略的广阔发展前景。 5)本文首次将广义2D模型预测迭代学习控制策略成功地应用于注射成型过程保压段的喷嘴压力控制。