伴随现代控制理论的不断发展,现实工业生产中的系统模型趋于结构更复杂的非线性系统、多变量系统、闭环系统,复杂结构模型的辨识算法的研究越来越引起控制领域研究人员的关注。本文从系统变量的相关性着手,以目标函数为切入点,分别对Hammerstein模型、闭环系统和多变量系统的辨识算法进行了研究。针对有色噪声Hammerstein模型,给出了基于近似最小一乘准则的增广随机梯度辨识算法,可辨识噪声模型参数且可应用于在线辨识,在算法推导过程中引入包含过去时刻信息的惯性项,提高算法辨识精度,并分析了辨识算法的收敛性;针对反馈通道模型阶次低于前向通道模型阶次且反馈通道不存在噪声干扰的闭环系统,分析了系统观测数据矩阵的相关性,分别提出了基于近似偏最小一乘和偏最小一乘的闭环系统辨识新方法,克服了各个观测数据间相关性对辨识结果的影响,分析了两种算法的优缺点及适用范围;针对多变量系统,给出了基于近似最小一乘准则的多变量系统全耦合辨识算法,该算法避免了高维矩阵求逆,计算速度快且具有良好的稳健性,但不能有效辨识输入信号间存在相关性的多变量系统,对此本文给出了基于近似偏最小一乘的多变量系统辨识算法。本文在完成各部分辨识算法的推导后,都用仿真实验验证了本文算法的辨识性能,分别在白噪声和满足SαS分布的尖峰噪声干扰下将本文提出的算法与基于最小二乘准则的算法进行了比较,使用不同强度尖峰噪声验证了本文算法的稳健性,说明了本文算法的有效性。