随着经济社会的发展,化工产品消费市场竞争日益激烈,间歇过程因其精细化、定制式生产等特点受到人们越来越高的关注,提升其自动化水平成为迫在眉睫的重要研究课题。面向间歇过程的重复生产特性,本文围绕该过程的迭代学习控制算法性能提升展开研究,从数据驱动和模型驱动融合角度构建了新型自适应迭代学习控制算法。首先,针对实时可测的过程变量——反应温度的控制问题,提出了数据驱动的去伪迭代学习控制算法,具有运算简单、执行速度快等优点,满足了温度控制的实时性和快速性等要求。本文分别从有限控制器参数集合和无限控制器参数集合两大类型推导了去伪迭代学习控制算法的数学描述和自适应律表达,并将它们分别应用于两种典型的间歇聚合生产过程,均获得了良好的温度控制效果和收敛特性。随后,针对终点可测的宏观产品质量控制问题,提出了数据与模型融合驱动的双层迭代学习控制方案,其中上层为模型驱动的产品质量自适应迭代学习控制,下层为数据驱动的过程变量去伪迭代学习控制。由于间歇过程反应机理复杂且产品质量不可实时检测,因此本文采用单入单出递推式最小二乘支持向量机,构建产品质量迭代更新模型,结合最优化方法推导自适应迭代学习控制算法,并给出收敛性证明。仿真应用于典型的间歇聚合过程,可以看出批次内与批次间的融合控制可有效地改善产品质量控制的动态调节性能和跟踪性能。最后,对间歇过程的分子量分布等微观质量指标的自适应学习控制进行初步探索,重点推导了多变量最小二乘支持向量机的递推回归算法,构建反应温度／进料比——分子量分布可测低阶矩之间的批次更新模型,并基于该模型设计自适应迭代学习控制律,给出收敛性证明。仿真应用于聚苯乙烯间歇生产过程,实现对分子量分布形状的精确控制。