现有的关于非线性控制系统的研究大多针对满足匹配条件的,或可定常参数化的动态系统。当系统存在未知时变参数或非匹配不确定因素,控制器设计会变得更加复杂。迭代学习控制适合于具有重复运动性质的被控对象,利用系统先前的控制经验修正当前的控制量,可实现对期望输出轨迹的完全跟踪控制。本文基于Lyapunov-like方法研究几种典型非线性系统的学习控制方法,主要工作包括以下几个方面:第一,介绍了定常非线性系统的严格反馈形式,简述了自适应反推设计的基本思想及其整个控制器设计过程。出于本文的需要,对时变非线性系统进行坐标变换,给出时变系统的严格反馈形式。第二,针对不满足匹配条件的时变非线性系统,将时变参数使用傅立叶级数展开,把对时变参数的估计转化为对定常参数的估计。本文分别给出对最小相位和“弱”非最小相位两种系统的自适应反推控制器设计方案。第三,针对非最小相位系统不稳定的零动态,采用输出重定义技术处理系统的非最小相位特性,提出并讨论迭代学习控制和周期学习控制两种控制方法。第四,针对时变机器人系统,当系统不满足初始定位条件时,采用初始轨迹修正方法设计迭代学习控制器,实现在设定时刻起对期望轨迹的完全跟踪。而对周期作业情形,给出一种混合重复学习控制方案,实现对系统期望轨迹的完全跟踪。第五,通过理论分析,上述控制方法均能保证闭环系统所有信号的有界性以及跟踪误差的收敛性。通过进行计算机仿真,进一步验证所提出学习控制算法的有效性和收敛性。