最小二乘辨识方法是系统辨识中一种基础且经典的辨识方法。在随机系统模型中,利用最小二乘法得到的估计结果具有很好的统计特性。输出误差类模型是一种常见的随机系统模型,包括输出误差模型、输出误差滑动平均模型、输出误差自回归模型和输出误差自回归滑动平均模型。输出误差类模型的结构较为复杂,并且辨识所需要的信息向量中含有不可测变量。因此,传统的最小二乘辨识方法不能直接用于输出误差类模型。一般利用辅助模型辨识方法解决这个问题,但是这种改进后的算法的收敛速度和辨识精度仍相对较差。为了解决此问题,本课题在多新息辨识和辅助模型辨识的基础上,引入加权矩阵,通过选择合适的参数值达到改进辨识特性的目的。针对输出误差模型受白噪声干扰的情况,将传统递推最小二乘辨识算法和辅助模型辨识方法相结合,推导得到基于辅助模型的递推最小二乘辨识算法。在该算法的基础上,利用多新息辨识方法,构造多新息向量,得到基于辅助模型的多新息最小二乘辨识算法。该算法与基于辅助模型的递推最小二乘辨识算法相比,提高了数据的利用率,使该算法具有更高的辨识精度。针对基于辅助模型的多新息最小二乘辨识算法,引入加权矩阵,重新定义多新息辨识的误差准则函数。对误差准则函数作极小化处理,提出基于辅助模型的加权多新息最小二乘辨识算法。验证基于辅助模型的加权多新息最小二乘辨识算法具有可提高收敛速度和辨识精度的特性。针对输入数据受有色噪声干扰的情况,建立有色噪声项的辅助模型,利用噪声的估计值替代不可测的噪声,结合多新息辨识和加权矩阵思想,分别对输出误差类的其他三种模型,提出相应的基于辅助模型的加权多新息辨识算法。三种算法的仿真结果表明了本课题提出的基于辅助模型的加权多新息辨识算法的优越性和有效性。