Hammerstein和Wiener系统分别属于输入非线性模型和输出非线性模型,因为它们具有结构简单和灵活多变的特点而在辨识领域中广受青睐。最小二乘算法是一种经典的辨识算法,这类算法具有精度高,收敛速度快的优点,并且在白噪声的干扰下其参数估计无偏。本文的研究主要是针对Hammestein和Wiener系统,通过引入加权和最新估计的辨识思想对基本的最小二乘辨识算法进行了改进,并且在有色噪声干扰下通过引入辅助变量进一步改进。使其拥有更高的辨识精度和收敛速度。本文的主要工作如下:针对Hammerstein ARX模型,结合加权思想和最新估计思想给出了加权最小二乘辨识算法。利用权重的思想,将当前时刻的修正项改写成当前时刻修正项与前一时刻修正项的权重和。为了进一步提高加权最小二乘算法的辨识精度,引入了最新估计的辨识思想,用最新时刻的参数估计代替前一时刻的参数估计。通过仿真对比验证了加权最小二乘辨识算法的精度及抗干扰能力优于最小二乘辨识算法。针对Hammerstein ARMAX模型,结合加权思想、最新估计思想和辅助变量思想提出了加权辅助变量最小二乘算法。因为最小二乘在有色噪声下是有偏的,引入辅助变量的最小二乘算法通过辅助变量的修正使其近似于无偏。在此基础上对修正项加权并引入最新估计使精度进一步提高。通过仿真对比验证了加权辅助变量最小二乘辨识算法的精度和抗干扰能力优于最小二乘辨识算法。针对Wiener ARMAX模型,提出加权辅助变量最小二乘辨识算法,通过仿真对比验证了加权辅助变量最小二乘辨识算法的精度和抗干扰能力优于最小二乘辨识算法。