传统的系统辨识方法，基本都是建立在一个参数向量的基础上进行辨识。该类方法的缺点是当参数向量的维数非常大的时候，系统的运算量将会非常巨大。两阶段系统辨识的思想最开始应用在非线性系统的参数辨识中，并相比传统方法取得良好效果。近几年来，由于两阶段辨识类算法相比传统算法在计算量方面的优势，该辨识思想越来越多地被应用在一般的线性系统的参数辨识中。但是，一般的两阶段辨识算法是以牺牲参数收敛速度为代价来减少系统的运算量的。为解决参数收敛速度和系统运算量之间的矛盾，本文将基于一般的两阶段辨识算法，提出新的辨识方法。针对输出误差类模型，将系统分解成两个子系统，并分别利用基本的基于辅助模型的的辨识算法分别对两个子系统进行参数辨识;针对输出误差类模型，提出了基于最新估计信息的两阶段最小二乘递推算法。本文新提出的基于最新估计信息的两阶段辨识算法的思想是：根据一般的两阶段辨识算法，在进行第二个子系统的参数辨识的时候，利用了同一时刻前个子系统的辨识结果，即最新的估计信息，来更新第二个子系统的参数辨识。因此能提高一般的两阶段辨识算法的收敛速度;通过仿真，结果表明新提出的算法在参数收敛方面相比一般的两阶段辨识算法有很大的提升，使得两阶段类辨识算法相比传统的辨识算法有了良好的优势。论文最后给出了一个总结，并对基于最新估计信息的两阶段辨识算法的研究尚需进行的课题进行简单介绍。