非线性系统广泛存在,由于过程对象的复杂性、人员操作不当、实际设备与环境条件的限制,系统中常常存在传输时滞、异常值、数据丢包、非均匀采样、有色噪声、脉冲干扰等现象,这会导致传统辨识方法精度下降,甚至彻底失败。此外,大多数辨识算法仅能聚焦单一问题,方法缺乏整体性。如何解决以上各类复杂条件下的非线性系统辨识问题,构建统一的分析处理框架,具有重要意义。因此,本文研究了复杂条件下Wiener非线性系统在统一框架下的辨识方法。主要工作内容如下:1.研究了具有固定时滞和输出数据丢失情况下的Wiener非线性系统辨识问题,提出了一种期望最大化框架下Wiener非线性系统辨识新算法。非线性系统的动态环节由有限脉冲响应模型描述。针对工业过程中存在固定传输时滞,引入均匀分布对其发生过程进行描述,并在假设非线性输出数据服从完全随机丢失机制的基础上,在期望最大化框架下,选取时滞变量与丢失的输出数据变量作为隐含变量,对完全似然函数求取最大条件期望,实现了对系统时滞和系统参数的同时估计。同时,为了获得Wiener模型中不可测量的中间变量,采用了辅助模型的思想;为了解决模型过参数化的问题和参数可辨识性的问题,结合了关键项分离的思想。最后,本文对所提算法进行了收敛性分析,并通过数值案例、水箱仿真、二连杆仿真验证了所提算法的有效性。2.研究了多采样速率、离群点、有色噪声干扰下Wiener非线性系统的辨识问题,提出了一种期望最大化框架下输入非均匀采样Wiener模型鲁棒辨识新方法。引入学生t分布对被污染的输出数据进行建模。将方差尺度视为隐含变量,结合提升技术推导出了有色重尾噪声干扰下非均匀采样Wiener模型的参数估计公式。在非均匀采样Wiener模型中,应用辅助模型获取了难以测量的中间变量和噪声变量。针对Q函数中难处理的部分,引入差分进化算法对自由度参数进行寻优。最后,本文给出了该算法的参数估计误差分析与鲁棒性分析,并通过一系列仿真实验,验证了所提方法的有效性。3.分别研究了输出非均匀采样系统在零均值脉冲噪声干扰下和非零均值脉冲噪声干扰下的鲁棒辨识问题。提出了一种期望最大化框架下Wiener非线性系统鲁棒辨识新方法。分别引入了尺度异常值模型和位置异常值模型,增强了辨识算法的鲁棒性。在假设输出非均匀采样是由时变时滞产生的基础上,选取了输出数据标签与时滞变量作为隐含变量。建立了Wiener过程的概率图模型。同时,应用辅助模型来获取未测量的中间变量。最后,本文对所提出算法的收敛性进行了分析,并通过数值实例和连续搅拌釜反应器的仿真,验证了该方法的有效性。4.工业过程存在多工作点切换现象,为实现对象的全局建模,提出了结合多模型思想的Wiener参数变化模型（LPV-Wiener模型）,并分析指出了此模型的研究意义。在此模型基础上分别研究了定时滞和马尔可夫变时滞影响下的Wiener参数变化模型的非线性系统辨识问题。在期望最大化框架下,选取子模型身份和时间延迟作为隐含变量,建立了Wiener参数变化过程的概率图模型。在假设调度变量已知的情况下,利用径向基函数连接各个子Wiener模型。应用辅助模型来估计子Wiener模型的中间变量,提出了一种新的非线性系统辨识算法。所提辨识算法可以实现模型参数和时滞的同时估计。并可进一步估计马尔可夫转移矩阵与最优子Wiener模型宽度。通过数值实例、p H中和过程、加热炉仿真验证了该方法的有效性。