系统建模与模型辨识是进行控制系统分析和设计的基础,通过量测数据建立系统的数学模型是对系统进行深入研究的有效手段.随着现代工业系统生产工艺的不断提升,工控领域的被控对象往往是规模庞大,结构复杂以及伴随扰动的多变量系统.因此,多变量系统的辨识研究一直都是控制领域的研究热点.多元系统是用一类线性参数多变量回归模型描述的系统,它可以描述线性多变量系统,也可描述非线性多变量系统.论文通过将递阶辨识原理、数据滤波技术以及多新息辨识理论相结合,研究有色噪声干扰下的多元方程误差系统的递阶迭代辨识问题.论文主要研究工作如下.(1)针对多元方程误差自回归系统,分别应用负梯度搜索和最小二乘原理提出了这类系统的广义迭代辨识方法.针对辨识模型信息矩阵中含有未知项的问题,可以将未知项用其前一步的迭代估计值进行替代,参数估计利用替代后的信息矩阵进行刷新,从而利用批数据来实现参数向量的离线辨识.进一步地,通过利用模型分解技术将原辨识模型分解成为多个子辨识模型,然后根据交互估计理论来研究多元方程误差系统的递阶广义迭代辨识算法和递阶增广迭代辨识算法,并通过算法的计算量分析来验证递阶辨识原理可以有效的减少算法的计算量,数值仿真结果也进一步验证了算法的有效性.(2)在迭代辨识方法中,为了取得较好的辨识精度,通常会利用批数据来构造堆积信息矩阵和堆积输出矩阵,然而这种方式会受限于量测数据长度,从而不利于在线进行辨识.为了使得迭代辨识方法能够应用于在线辨识,本文通过结合多新息辨识理论,提出了针对多元方误差自回归滑动平均系统的广义增广迭代辨识算法.这种迭代辨识方法通过利用移动数据窗,实现动态的更新数据窗内的数据,从而提高了观测数据的利用率.(3)针对有色噪声干扰下的多元方程误差系统,通过利用数据滤波技术,依据噪声模型选取合适的滤波器对系统观测数据进行滤波,然后分别交互估计系统模型和噪声模型的参数,从而提出基于滤波的递阶广义增广迭代辨识方法.通过引入线性滤波器对系统的输入输出数据进行滤波,然后利用滤波后的输入输出数据进行辨识,从而达到有效改善参数估计精度的目的.数值仿真结果说明基于滤波的递阶迭代辨识方法具有较好的收敛性能,特别是在噪声方差较小时,具有更高的参数估计精度.论文的最后对本课题所进行的工作进行了总结与展望,并对多元系统辨识当前所面对的一些问题和接下来值得进一步研究的方向进行了简要介绍.