由于非线性系统在工程中的广泛存在，使得非线性辨识方法具有较强的工程应用背景，成为了当前系统辨识研究的热点和难点。支持向量机能有效地解决小样本、非线性条件下的问题，并具有良好的泛化性能，使其成为非线性辨识中的有力工具。　　 考虑到实际辨识过程中，数据采集过程受到各种干扰和不确定因素的影响，造成所得数据样本含有噪声，辨识性能和效果下降。本文针对以上问题，基于加权支持向量机和小波支持向量机算法，研究其非线性辨识性能和抗噪能力。　　 论文的主要工作和结论如下：　　 针对利用支持向量机进行非线性系统辨识，给出了利用支持向量机进行建模的完整流程，随后重点讨论支持向量机参数（核函数、惩罚系数、不敏感系数）对模型辨识性能的影响，并将其应用于CSTR（Continuously Stirred Tank Reactor，连续搅拌反应釜）的建模中，分别对CSTR模型中的两个输出量反应温度（T）和反应浓度（Ca）进行建模，获得了2个非线性模型。　　 在前述支持向量机的建模基础之上，重新给出了利用加权支持向量机进行非线性系统建模的过程，并使用加权支持向量机完成建模。针对标准支持向量机对孤立点过于敏感，辨识模型性能较差的问题，提出了一种基于数据域描述的加权支持向量机辨识方法。该方法通过将数据映射至特征空间，通过计算样本到特征空间中最小包含超球心的距离来确定加权系数，然后将样本与其对应权值加入支持向量机训练获得辨识模型。并通过模拟实际情况中数据状态——噪声孤立点数据——进行仿真实验，通过与标准支持向量机进行对比证明该方法的性能。　　 针对噪声孤立点数据辨识问题，提出了一种小波变换的支持向量机辨识方法，并使用该小波变换支持向量机完成建模。该方法充分利用了小波变换对噪声的过滤性能，首先对噪声数据进行小波三层多尺度分解，随后对各分量进行小波阈值消噪，并用消噪后分量分别训练支持向量机，得到4个支持向量机子模型，最后进行小波重构得到最终预测输出。实验证明，与标准支持向量机方法比较，该方法能够更好的在噪声孤立点数据情况下进行辨识，其辨识性能显著高于标准支持向量机。