模型预测控制(Model Predictive Control, MPC)和迭代学习控制(Iterative Learning Control, ILC)是工业过程中广泛采用的控制与优化方法。文章首先分析了MPC和ILC的发展历程及研究现状,并提出了单一算法作用时的缺点及可靠的改进方案。由此,引出迭代学习控制与预测控制相结合的合理化思想。本文相继研究了这两种算法的性能与控制特点,并进行了相应的仿真。针对实际过程中常有的带随机扰动的非线性过程,我们考虑将MPC和ILC结合能取得更为有效的控制结果。在线性化模型的基础上,研究了现有的迭代学习模型预测控制算法(Model Predictive Iterative Learning Control, MPILC)及其收敛性问题,并进行了仿真。仿真结果表明,该算法针对这类问题的控制有效性。在此基础之上,针对过程控制中非线性程度高并很难用线性化方法描述的系统,本文进一步提出了非线性迭代学习模型预测控制算法。非线性对象的动态特性由T-S模糊模型描述,在此模型基础上建立起的非线性迭代学习模型预测控制方法(Nonlinear Model Predictive Iterative Learning Control, NMPILC),由局部线性模型设计而成的。T-S模糊模型的模糊规则生成了隶属加权函数,加权值的大小决定着该局部模型的贡献度大小,用这种方法表述的非线性模型精度大大提高。性能指标的优化同时在时间轴和迭代轴两个方向实现。针对数字实例和锅炉汽轮机系统的仿真,证明了了这种基于模糊模型的NMPILC方法的有效性,系统能达到很好的跟踪效果并具有抗干扰能力。