随着工业化的发展,系统的复杂程度不断加深,系统数学模型的也更加复杂,因而辨识过程中的计算量越来越大.针对这个问题,本文以国家自然科学基金项目为背景,基于递推最小二乘算法,结合分解的技术,利用辅助模型思想和多新息辨识理论,对输出误差类系统进行了算法推导和仿真研究,并取得了如下成果：1.针对输出误差系统,首先利用分解的技术,将系统分解成两个子系统.根据辅助模型的思想,对每个子系统的参数进行递推运算,推导了针对输出误差系统的两阶段递推最小二乘算法,并与辅助模型递推最小二乘算法进行比较.结果表明两阶段递推最小二乘算法能够得到较好的参数估计精度并且具有更小的计算量.2.在两阶段递推最小二乘算法的基础上,利用辅助模型的输出代替每个子系统信息向量中的未知中间变量,用估计残差代替信息向量中的未知噪声项,推导出针对输出误差滑动平均系统的两阶段递推增广最小二乘算法和针对输出误差自回归系统的两阶段递推广义最小二乘算法.通过计算量的比较得出所提出算法具有更小计算负担的结论.3.针对输出误差滑动平均自回归系统(Box-Jenkins系统),结合上述两阶段递推最小二乘算法和广义增广的方法,推导出相应的两阶段递推广义增广最小二乘算法.将两阶段算法与多新息辨识理论相结合,推导了两阶段多新息广义增广随机梯度算法.最后通过仿真例子验证了算法的有效性.综上所述,论文推导和研究输出误差类系统的几种参数估计算法,并通过Matlab仿真验证了算法的有效性和收敛速度.论文最后给出了结论与展望,对本课题研究中所面临的一些困难和一些有待解决的问题做了简单的介绍,如算法拓展以及实际应用等问题.