对于有限时间区间上复杂非线性系统的跟踪控制问题现在比较有效的控制方法是迭代学习控制方法,且该方法已经成为了当前智能控制领域研究的核心课题之一。在迭代学习控制理论及其方法中,自适应迭代学习控制方法越来越多的受到诸多学者的关注。该方法的主要优点是无需系统动态满足全局Lipschitz条件、学习算法简单,能在有限时间区间内高精度的跟踪期望轨迹等。但是由于初始条件的变化对系统的稳定性和收敛性的影响,使得迭代学习控制方法的设计非常具有挑战性。另一方面,非一致跟踪问题也是迭代学习控制中的一个重要问题,因此它也成为广大学者研究的重点。另外,在实际系统中时间延时和时变参数是造成系统不稳定的两个主要因素,在本文中针对具有时变参数的时滞系统和具有时变参数的混沌系统,设计出有效的自适应迭代学习控制器和自适应控制器,解决了跟踪控制问题和混沌同步问题。控制领域的一个难点和热点问题是控制方向问题,尤其是在迭代学习控制中对于未知控制方向的处理更加困难,所以本文也对具有未知控制方向的严格反馈非线性系统进行迭代学习控制器的设计。当控制输入中存在非线性时,往往会破坏系统性能。在迭代学习控制器设计的过程中,对控制输入非线性的处理也是一大难题,本文也对控制输入中的非线性这一问题进行研究。具体来说我们取得了以下研究成果:1.利用Backstepping技术,分别对具有初始状态误差的纯反馈系统和对具有初始状态误差与输入非线性的严格反馈非线性系统进行自适应迭代学习控制器设计,解决了在有限时间区间??0,T上的轨迹跟踪问题。引进了一个时变边界层设计误差函数。边界层宽度的初始值根据可测的初始状态误差来设定并且该宽度沿着时间轴减少。利用滤波信号消除使得控制器不能直接实现的代数环问题。由于模糊逻辑系统(FLS)和径向基函数神经网络(RBFNN)的统一的逼近性质,我们引入FLS和RBFNN学习未知动态的性能引入一个典型级数来处理逼近误差的未知界。即使存在初始状态误差,跟踪误差向量的范数也能随着迭代次数趋向于无穷大渐近收敛到一个可调剩余集。如果适当增大学习增益,就能提高学习速度。2.基于合理的假设,运用合适的Lyapunov-Krasovskii函数和Backstepping方法来设计NN学习律和控制律,提出了一类严格反馈非线性时滞系统的自适应NN迭代学习控制方法,所考虑的系统中含有未知非线性参数化的已知周期的时变扰动函数。未知非线性向量函数和未知非线性时滞函数分别用FSE-RBF神经网络来逼近,放松了对未知非线性函数和未知非线性时滞函数的要求。3.基于类李雅普诺夫函数设计控制器,分别对已知和未知控制方向的非线性时变系统设计了自适应迭代学习控制器,解决了非一致目标轨迹跟踪问题。处理具有非全局李普希兹非线性的系统动态。运用Nussbaum函数处理未知控制方向。用傅里叶级数展开时变参数,产生有界的剩余项,剩余项的界是未知的。引进了一个典型级数处理剩余项的界。4.基于李雅普诺夫稳定性理论,设计了自适应控制器和参数更新律使得驱动系统和响应系统之间的状态渐近同步。解决了具有不确定周期时变参数的两个不同的混沌系统和超混沌系统的混合函数投影同步问题。通过参数更新律估计了未知时变参数的标称值和截断误差的未知上界。利用傅里叶级数展开成功解决了不确定周期时变参数问题。