针对无人机（UAV）三轴云台增稳控制中变量耦合的问题，提出一种基于扩张状态观测器（ESO）的无人机云台系统控制算法。首先，建立了无人机机载云台期望角的姿态解算算法模型；其次，构建了无人机机载云台位置环和速度环的串级比例-积分-微分（PID）控制回路；最后，引入ESO对机载云台角速度项在线实时估计，解决角速度项由于高耦合、多外扰导致的难以直接测量的问题，并对各通道的控制输入进行补偿。实验结果表明，所提算法在无指令、有指令和综合任务场景下的角度均方根误差分别为0.235 7°、0.631 7°和0.946 3°，与传统PID算法相比，所提算法的角度误差分别降低了69.43%、53.29%和50.43%。可见，所提算法对外界扰动的抗干扰能力更强，控制精度更高。

为进一步提升在未知环境下四旋翼无人机轨迹的跟踪精度，提出了一种在传统反馈控制架构上增加迭代学习前馈控制器的控制方法。针对迭代学习控制（ILC）中存在的学习参数整定困难的问题，提出了一种利用强化学习（RL）对迭代学习控制器的学习参数进行整定优化的方法。首先，利用RL对迭代学习控制器的学习参数进行优化，筛选出当前环境及任务下最优的学习参数以保证迭代学习控制器的控制效果最优；其次，利用迭代学习控制器的学习能力不断迭代优化前馈输入，直至实现完美跟踪；最后，在有随机噪声存在的仿真环境中把所提出的强化迭代学习控制（RL-ILC）算法与未经参数优化的ILC方法、滑模变结构控制（SMC）方法以及比例-积分-微分（PID）控制方法进行对比实验。实验结果表明，所提算法在经过2次迭代后，总误差缩减为初始误差的0.2%，实现了快速收敛；并且与SMC控制方法及PID控制方法相比，RL-ILC算法在算法收敛后不会受噪声影响产生轨迹波动。由此可见，所提算法能够有效提高无人机轨迹跟踪的准确性和鲁棒性。