在工业生产过程中,时滞和负载扰动是普遍存在的。本文针对时滞非线性Hammerstein输出误差模型(HOE模型),研究了在不同负载干扰下的模型参数辨识方法。针对在时变负载下时滞Hammerstein非线性系统。本文提出遗忘因子最小二乘算法。该算法的思想是将负载扰动视为一个时变参数处理,增广信息向量和参数向量,得出输出响应的线性回归形式。定义一个自适应遗忘因子的误差准则函数,推导出了遗忘因子最小二乘递推算法。但是参数向量包含模型参数和负载扰动两类。因此将标量自适应遗忘因子转化为一个自适应遗忘因子矩阵,得到了遗忘因子矩阵最小二乘递推算法。在自适应遗忘因子矩阵中,包括两个自适应遗忘因子,分别对用于加快模型参数收敛率和跟踪时变负载扰动。对于时滞参数的估计,通过给定时滞搜索区间,找到该时滞区间内误差准则函数的最小值,从而得到时滞参数。基于分离策略和交互估计准则,将Hammerstein非线性系统分解为两个子系统。这两个子系统分别包含模型参数和时变负载扰动。在其中一个子系统中将负载当作一个参数。然后,对这两个子系统分别构造自适应遗忘因子误差准则函数,得到了用于估计模型参数和负载扰动的两个最小二乘算法,这两个算法之间进行交互估计迭代,可得相关参数的辨识结果。基于持续激励理论,对所提的分离策略算法的收敛性进行了分析。最后,基于分离策略思想将Hammerstein系统分解成两个子系统。定义了带自适应遗忘因子的多新息误差准则函数,得到了多新息递推最小二乘算法。从而得到了系统模型参数估计值。多新息的思想是将标量新息扩展成一个矩阵新息,起到改善参数估计精度的作用。由于负载变化的不确定性,多新息反而会造成误差累积。因此,采用标准最小二乘算法估计。通过这两个算法交互估计,加快了模型参数估计收敛速度和对负载扰动的实时跟踪。对于上述方法中信息向量中包含的未知中间变量,通过辅助模型方法估计未知中间变量。