自适应重复学习控制(RLC)和迭代学习控制(ILC)方法对研究复杂的未知非线性系统起到了很大的促进作用,相较于传统的控制方法,学习控制不依赖于系统精确的动态模型,可以利用较少的先验知识来处理高不确定度的被控系统,并且学习控制适应性强,易于实现,对研究具有复杂性、非线性、难以建模系统以及高精度追踪控制问题都有非常重要的实际意义。随着研究课题的深入,带有系统输入干扰和外部干扰的未知非线性系统的控制问题得到了广泛关注。本文分别对离散和连续的未知非线性系统的跟踪问题做了研究,提出了自适应重复学习和迭代学习两种控制方案,具体工作如下:1.针对已知周期的带有随机初置误差和随机有界干扰的离散周期非线性系统,提出了基于模糊神经网络的重复学习控制方法。利用模糊神经网络来对系统中的不确定非线性部分进行逼近,同时利用边界层构造了一个辅助误差函数并应用到重复学习自适应律的设计中,有效地处理了系统随机干扰和函数逼近过程中产生的误差。在系统学习过程中不断地调整模糊神经网络的逼近参数和边界层宽度以实现重复学习控制算法的收敛性和系统的稳定性。最后利用Lyapunov-like理论分析得出,系统的所有可调参数和内部信号均有界,且当学习周期数趋于足够大时,跟踪误差会渐进收敛于一个大小依赖于边界层的有界域中。2.对于一类带有未知输入干扰的连续非线性系统提出了一种基于观测器的迭代学习控制方法,同时设计了两个观测器分别用来估计不可测的系统状态和未知参考模型状态,利用控制器的迭代学习能力有效地解决了输入干扰的不确定性,最后通过Lyapunov-like稳定性理论分析系统性能和算法设计,得出当迭代次数足够大时,状态估计误差和系统追踪误差均收敛于零。最后的数值仿真例子证明了控制器设计的有效性。