Este artículo presenta un esquema de control de aprendizaje iterativo (ILC) mejorado con un filtro de Kalman adaptativo (AKF) para mejorar el seguimiento de trayectorias en sistemas no repetitivos y variables en el tiempo (NTVS), especialmente en aplicaciones industriales. A diferencia de los métodos tradicionales de ILC que asumen dinámicas fijas del sistema, las variaciones graduales de parámetros en NTVS requieren enfoques adaptativos para abordar factores como el desgaste de herramientas y la deriva del sensor, que afectan significativamente la precisión del seguimiento. Al integrar AKF, el método propuesto estima continuamente los parámetros variables en el tiempo y las incertidumbres en tiempo real, mejorando así la robustez y adaptabilidad del seguimiento de trayectorias. Se realiza un análisis teórico para confirmar la convergencia robusta y la estabilidad del esquema de ILC mejorado con AKF bajo condiciones inciertas y variables en el tiempo. Los resultados experimentales demuestran que el enfoque propuesto supera significativamente a los métodos convencionales de ILC, garantizando un rendimiento de seguimiento preciso y confiable en escenarios industriales dinámicos.