系统被控对象的特征模式包含了时滞、非线性、扰动及算法等内容，算法是控制系统的灵魂，算法的选择取决于被控对象及它的特征模式。本文从被控对象特征模式出发，提出了带时延补偿的扰动观测器来克服持续高频扰动对具有时延惯性环节被控对象的影响和采用精细迭代学习算法来实现对钢水液位的高品质控制。　　众所周知，控制系统本身存在着时延现象。系统的时延在较高的扰动频率作用下，相应的系统时延导致的相位滞后也会随之增加，进而影响控制器性能。为了克服持续高频扰动对具有时延的惯性环节被控对象的影响，本文提出带时延补偿的扰动观测器，并结合被控对象逆、Q滤波器、超前补偿环节和时延逼近器，运用频域分析技术实现了对被控对象的良好控制；理论分析表明所提出时延补偿观测器能够有效的克服时延对被控对象的不良影响，对相关持续高频扰动具有很好的抑制作用；最后通过数值仿真进一步验证了所提方案的正确性。　　实际工业过程中，存在着一类具有周期性、非线性、建模困难等特点的受控对象。本文以实际工业过程钢水液位系统为研究对象，为保证具有强非线性、建模困难和具有周期性扰动连续浇铸过程中钢水液位能够满足工艺和生产的要求，从而实现连续浇铸过程中钢水液位的高品质控制，本文提出了一种精细迭代控制策略来进一步削弱连续浇铸过程中钢水液位的膨胀扰动带来的不利影响。该策略是一种包含 P型学习律的迭代学习算法，这种 P型学习律除引进遗忘因子和开关装置外，还特别利用了前两次迭代过程中的误差信息（即控制律为PID+遗忘因子+开关函数+误差精细信息的有机组合），以使误差信息精细化，从而进一步改善迭代学习控制的效果；研究表明在系统同时具有模型不确定性，周期性膨胀扰动，可测噪声干扰与初始状态误差情况下能保证系统的输入信号误差、状态误差和输出误差的最终有界性，实现了钢水液位的高品质控制；计算机仿真进一步验证了所提方案的正确性和可行性。