输出误差类系统可以分为线性输出误差系统和非线性输出误差系统,因为其具有简单结构、灵活多变的特点而受到广泛的关注,并应用于工程实践中。递推最小二乘算法、随机梯度算法都是解决线性输出误差系统的经典辨识算法,递推最小二乘算法精度高、收敛快,随机梯度算法计算量小。本文的研究主要针对线性输出误差系统、非线性输出误差系统以及带有量化器的线性输出误差系统,主要工作如下:针对线性输出误差系统,结合随机梯度算法计算量小、收敛慢、精度低的特点,引入加权的思想和多新息辨识方法,给出了基于辅助模型的加权多新息随机梯度算法。利用权重的思想,设计更合理地利用新息的方式,能够更合理地利用现有的信息。并通过算法性能分析,在理论上验证了算法的可行性。针对非线性输出误差系统,结合粒子滤波技术和多新息辨识方法,提出了基于粒子滤波的递推最小二乘算法和基于粒子滤波的多新息递推最小二乘算法。输出误差类系统的辨识算法中,通常用辅助模型的输出替代输出误差类系统中的过程输出,但是辅助模型易受过程有无噪声及系统输出是否线性影响,具有一定的局限性,引入粒子滤波技术,提高算法的性能;引入多新息辨识方法,进一步加快收敛速度。并通过算法性能分析,在理论上验证了算法的可行性。针对带有量化器的线性输出误差系统,通过引入递归预测误差方法和粒子滤波技术,修改标准的基于辅助模型的随机梯度算法,提出了基于辅助模型的递归预测随机梯度算法和基于粒子滤波的递归预测随机梯度算法。通过仿真实验,递归预测误差方法可以有效地处理量化信息,粒子滤波技术可以进一步提高算法的辨识性能。