本文针对执行重复任务的模型具有不确定性的刚性机器人轨迹控制问题，提出了一种自适应迭代学习控制算法，并采用李雅普诺夫稳定性理论证明了算法的收敛性。最后将自适应迭代学习控制算法应用于机器人中进行仿真研究。主要研究内容如下：系统地介绍了机器人运动学的正问题和逆问题以及机器人动力学模型的建立。介绍了迭代学习控制的基本思想和控制结构，着重阐述了PID型迭代学习控制思想以及算法的收敛性证明。最后引出了自适应迭代控制思想和当前发展现状。 提出了一种基于PD反馈控制结构的自适应迭代学习控制算法。自适应迭代计算项用来补偿机械手模型中未知参数以及其他干扰给控制系统带来的影响。这种控制器设计简单，只要求P、D增益以及学习增益为正定矩阵，并不要求机械手参数的有界性。经典迭代学习控制中，迭代变量的个数通常等于控制输入的个数。而在本文第二种控制算法中，只用到了两个迭代变量。从工程实际角度上看，这种方法节约了存储空间，也减小了计算量。最后给出了自适应迭代学习控制算法收敛性的证明。本文最后进行了仿真研究，结果表明所设计的控制算法对机器人进行轨迹控制是有效的。