迭代学习控制（ILC）是针对在有限运行时间区间进行重复操作任务的过程对象和系统所建立的控制方法。其运行模式是重置到初始值,执行操作任务,然后再不断重复这一过程。一次执行操作任务被称为一次迭代,其运行时间被称为迭代长度。当一次迭代完成,其所产生的信息可用来计算下一次迭代的控制输入。在迭代学习控制器设计中,控制输入更新的结构至关重要,它需要根据实际应用要求进行合适的选择。对于批次过程,一个最简单和标准的方案是PID结构,它只需要比例、微分、积分增益和上一次迭代过程的误差信息来设计PID型ILC器。然而,PID控制器的参数整定一直是控制工程师面临的挑战。本文的研究工作是针对线性时不变批次过程将基于最优性能指标的PID型ILC律参数设计与PID控制器设计结合,利用二次型性能指标优化PID控制器的参数,建立了一种适用于离散线性时不变系统的最优PID型ILC方案。理论和实验结果表明,与文献中一些性能较好的方法相比,所提出的控制方法能够更显著改善控制系统的收敛性能。其次,为了减少不确定性和干扰对跟踪性能的影响,提出了 PID参数整定的改进算法,使得控制器设计方法能够尽可能少的依赖系统模型信息以增强鲁棒性。同时,从理论上研究了所提出的鲁棒最优PID迭代学习方案的鲁棒BIBO稳定性问题。利用李亚普诺夫复合能量函数计算了跟踪误差的界。仿真结果验证了所提方案在处理带有扰动和不确定性的线性和非线性系统的有效性。再次,很多PID迭代学习方案都简单地采用一阶形式,即采用最近一次运行的误差信息来更新当前控制输入。为了进一步提高控制性能,本文针对线性离散系统,提出了一种通过利用之前多次迭代试验的误差信息来计算控制输入的高阶最优PID型ILC方法,并结合最优在线整定方法进行增益计算。理论分析和仿真结果表明,所提出的高阶PID ILC较比一阶PID型ILC方案具有更好的性能。现有的技术大多是利用模型信息来获得PID的增益,用于控制一阶和高阶系统。在本文的最后部分,针对非线性批次过程,提出了一种无模型比例-积分-微分（PID）型ILC方法。利用动态线性化方法,通过输入输出（I/0）测量值在每次迭代时更新模型,根据新更新的模型和前一次迭代的误差信息,迭代更新最优PID增益。利用二次性能指标对PID控制器参数进行优化,建立了—种用于非线性批次过程的、基于数据驱动的最优PID型迭代学习控制（DDILC）方案。仿真结果也验证了所提出的数据驱动PID迭代学习控制方案的有效性。