无速度传感器控制技术由于提升了系统的可靠性且节约了成本,因此受到了广泛的关注。近年来，随着高性能处理器的发展,扩展卡尔曼滤波(EKF)在无速度传感器控制领域备受关注。然而EKF对模型不确定性和内外部干扰的钽棒性比较差，在实际应用中容易出现估计偏差导致系统发散为。为了提高EKF的自适应能力,本文主要研究了基于极大似然准则自适应扩展卡尔曼滤(Maximum Likelihood Critcrion based Adaptiiv Extended Kalman Filter,MLC-AEKF)的感应电机(Induction Motor,IM)转速辨识方法,主要研究内容如下:第一,本文构建了感应电机的五阶灵堂模型，并根据状态方程得到的零极点图分析了电机本身在全速范围内的稳定性。第二,阐述了扩展卡尔曼基本原理,建立了基于离散化EKF的感应电机转速辨识环节并将其应于感应机转子磁场向定向控制系统中,分析了采样周期系统统性能的影响。第三,分析了EKF的不足之处和其自适应方案,对比分析引出了极大似然准则的基本原理,构建了基于极大似然准则的残差错协方差估计器并研究了残差协方差对EKF模型不确定性问题的自适应机理;针对残差协方差估计器的滑支窗口数据做了指数衰减处理,提高了残差协方差自适应的维度。然后建立了基于芨大似然准则自适应EKF的感应电机数学模型,并研究了其系统的抗差机理。第四,通过Matlab/Simulink软件对基于MLC-AEKF的感应电机无速度传感器控制系统进行了仿真验证,仿个研究了滑动窗口长度和指数衰减因子对系统稳态和动态性能的影响,并确定了其具体参数值。最后,并对基于极大似然准则自适应EKF转速辨识方法进行了基础性能和算法有效性的实验验证。初阶测试平台的主控芯片为Texas Instruments公司的TMS320F28335。仿真和实验结果表明,与扩展卡尔曼滤波算法相比,本文提出的基于MLC-AEKF的转速辨识方法能有效增强系统对感应电机模型失配和工况易变的适应性,该方法可以削减系统运行与低速时参数失配和内外部不确定干扰发生时的转速辨识误差,提高了感应电机无速度传感器控制系统在各种工况下的稳态和动态性。