随着迭代学习控制的发展,迭代学习应用于重复系统的跟踪控制问题已成为当前的研究热点。但在实际的跟踪过程中,由于自身或者外部干扰,系统的严格重复性受到影响,导致系统的跟踪与控制设计变得更加复杂。每次迭代都要对变化的信息重新学习,很难保证系统的鲁棒性及跟踪效果。本文以解决几类具有代表性的非严格重复系统的迭代学习控制问题为目标,即初值扰动、系统时滞以及迭代变化的期望轨迹问题。以具有重复特性的分数阶和整数阶控制系统为控制对象,分别设计相应的迭代学习控制策略,并进行严格的收敛性分析。通过理论分析和数值仿真,验证了本文提出的控制策略的可行性和有效性。本文的主要研究成果以及创新点如下:（1）时滞是导致系统非严格重复的重要原因之一。针对Caputo分数阶线性时滞系统轨迹跟踪问题,本文分析了输入时滞与状态时滞两种状态,分别提出了PDα型迭代学习律与P＆卷积型迭代学习律。在频域内对系统的迭代学习控制收敛性进行了分析,并给出了该迭代学习控制器的频域收敛范围。数值仿真验证了所提方法在时滞系统轨迹跟踪的有效性,并通过仿真结果分析了时滞对系统收敛性的影响。（2）针对带有初值扰动的Conformable分数阶非线性系统轨迹跟踪问题,提出了一种具有初态学习的分数阶Dα型迭代学习控制器。该方法打破系统初态必须与期望初态一致的限制,并保证了系统的收敛性,消除了初态误差对系统的影响,提高了轨迹跟踪的鲁棒性。此外在收敛性分析中,将H（?）lder’s不等式扩展到分数阶领域,在时域内对提出的学习律进行收敛性证明。严格的理论分析和数值仿真证明了所提方法的有效性。（3）针对迭代变化的期望轨迹以及初值扰动的轨迹跟踪问题,本文提出了带有初值修复的遗忘因子型迭代学习控制策略,并在时域内对提出的控制策略进行了收敛性分析。该策略消除了初值误差对系统的影响,实现了对期望轨迹的有效跟踪。最后,数值仿真验证了所提控制策略的有效性。（4）完成了机器人非严格重复轨迹跟踪的迭代学习控制仿真实验。首先,构建了视觉动态系统下的机器人运动仿真平台;然后,基于该系统,运用机器人真实运动轨迹误差与成像轨迹误差构建了迭代学习律,并在时域内进行收敛性分析;最后,考虑移动机器人运动环境的复杂性,如初始位置、系统干扰、时滞等因素引起的非严格重复问题,运用基于视觉动态系统构建的迭代学习控制器,在仿真环境下实现了移动机器人轨迹的精确跟踪控制。