概括来说，很多复杂工业过程都具有某种可重复的特性。如何利用复杂系统的这种特性，通过引进学习机制，不断地积累被控对象的知识，在线完成控制器的设计和改进，即把在线的学习、在线的控制与控制系统性能改善的功能综合在一个算法里，通过工业过程的不断重复加以实现，正在成为复杂系统智能控制的新的研究领域。迭代学习控制方法就是为此而提出的一种新的智能控制方法，它在解决由于对象存在非线性或外界干扰造成的不确定性问题方面更具有得天独厚的优越性。 由于神经网络具有对任意非线性映射的理想逼近能力，并能学习和适应未知不确定系统的动态特性，使采用神经网络的控制系统具有更强的适应性和鲁棒性。本文将迭代学习控制与神经网络辨识相结合，提出了一种新的基于神经网络的鲁棒迭代学习控制方法。由于神经网络具有自学习能力，它可利用不确定性系统的历史输出数据对系统的稳态特性进行估计，使得对系统正向模型的辨识达到理想的逼近精度，然后在此正向模型的基础上进行学习控制律的设计：即采用神经网络辨识非线性系统的正向模型，并消除系统不确定性和外部干扰的影响，使关节运动沿迭代轴方向逼近期望轨迹；迭代学习控制器在线学习控制参量，使关节运动沿时间轴方向跟踪期望轨迹。该方法的特点是，在每一次迭代学习过程中，使神经网络训练到对模型的辨识达到比较好的逼近精度后，利用神经元网络的输出构造下一次迭代学习过程中控制律的前馈部分，再将它与实时反馈控制结合，形成本文提出的鲁棒迭代学习控制算法，并对机器人系统进行控制。在此引入反馈控制是为了补偿辨识和迭代学习的误差，以增强被控系统的鲁棒性，提高控制精度。仿真结果表明，该方法对有未知外部干扰的机器人系统是十分有效的，且能以极少的网络训练次数和迭代学习次数达到满意的跟踪性能。理论分析也表明，如果神经网络具有足够高的辨识精度，则可实现任意非线性系统在不确定扰动情况下对任意轨迹的高精度跟踪。