对系统进行控制时需要知道系统模型,但实际对象的复杂性造成模型不能完全知晓,这就需要对系统进行辨识,系统辨识是控制成功展开的前提。有些实际的对象,由于其复杂性,很难用理论分析的方法获得数学模型,此时就需要通过实验的输入和输出数据辨识系统的数学模型或参数。系统辨识、状态估计和控制理论是现代控制理论的三大支柱。随着系统的复杂化和对模型精确度要求的提高,系统辨识算法在不断发展。为了提高辨识的精度,对于一般的线性系统,本文主要研究了以一般最小二乘和极大似然法为基础用于降低噪声对系统辨识造成的干扰以及为了实现在线辨识所推广的一系列经典递推辨识方法。对于复杂的非线性系统,本文主要研究了群智能优化辨识方法和神经网络辨识方法等一些现代的辨识方法。群智能优化辨识方法中主要研究了遗传算法和粒子群算法与经典辨识方法中用于降噪的方法相结合旨在降低噪声对非线性系统辨识造成的影响进而达到提高辨识精度的目的。神经网络辨识方法中主要研究了BP神经网络和深度神经网络相结合对非线性系统进行建模的问题,并研究了用于解决非线性系统在受噪声干扰时的辨识方法,包括BP神经网络对系统输出数据进行压缩和深度神经网络对系统输出数据进行特征提取的方法。每一部分都通过实例仿真验证了这些方法的有效性,最终通过理论研究和仿真分析得出了如下的结论:在降低噪声尤其是有色噪声对辨识精度影响时将噪声部分看作一个成形滤波器模型,将滤波器的参数同系统一起进行辨识是一个效果非常显著的方法;通过将遗传算法或粒子群算法与经典辨识方法结合起来,能相互补充并充分展现各自的优点,对受噪声干扰的非线性系统辨识问题提供了一个较好的辨识方法;通过BP神经网络对数据进行压缩的方法或深度神经网络对数据进行特征提取的方法都能充分的将系统本身的特征和噪声分离开来,从而大大降低了系统所受噪声的干扰,对系统进行准确的建模。