在现代工业生产中,起源于实际过程控制领域的模型预测控制应用越来越广泛,模型预测控制已经成为处理复杂约束多变量控制问题的公认标准,它在许多复杂工业过程的优化控制的应用产生了巨大的经济效益,在实际的工业生产过程控制中,模型预测控制具有具有很好的鲁棒性,控制性能比较好,能有效地克服过程的耦合性、非线性以及不确定性和多变量问题,并且能方便、显式的处理过程控制变量中的各种约束。但是单纯使用模型预测控制,很难实现对被控对象的输出轨迹无误差地完全跟踪期望输出轨迹,而迭代学习控制则不同,它具有很强的学习能力,很容易处理轨迹跟踪问题。针对两者的优缺点,研究了一种模型预测控制融入到迭代学习控制的算法。将此算法应用到反应釜系统中,证明了此算法可以迅速地准确地实现对期望轨迹的完全跟踪任务,并且具有实时抗干扰能力。在迭代学习模型预测控制算法基础上引入前馈控制,通过仿真,可以看出引入前馈后,可以降低迭代次数,加快跟踪速度,提高了效率。最后将本算法应用到锅炉过热汽温系统,并与PID算法效果相比较,验证了算法的优越性。对工业生产中的非线性操作过程,迭代学习模型预测控制算法无法直接应用,为此考虑引入T-S模型,将模糊模型技术、预测控制和迭代学习控制三者相结合,设计了基于T-S模糊模型的迭代学习模型预测控制算法,将此控制算法应用在重复运动的机械手臂中,仿真证明了此算法在非线性系统依然可以实现对期望轨迹的完全跟踪。