近年来,由于智能优化算法具有较强的搜索能力而得到了广泛的应用,现已成为了研究的热点问题。本文将智能优化算法应用于受重尾噪声干扰下的非线性系统辨识研究中,首先对于原始樽海鞘算法(SSA)、灰狼算法(GWO)进行改进。仿真实验结果表明改进后的算法能够有效改善原算法的收敛精度等性能,并将改进后的算法应用于非线性MIMO Hammerstein、Hammerstein-Wiener模型的辨识中。主要研究内容如下:(1)首先介绍了一种新型智能优化算法樽海鞘算法(SSA)。针对樽海鞘算法容易陷入局部最优、收敛精度差等缺陷,本文通过引入Kent混沌映射、自适应位置更新等改进提出了混沌樽海鞘算法(CSSA),通过测试函数仿真对其性能进行了验证,仿真结果表明CSSA算法性能有了较大提高,能够有效满足辨识的需要。(2)接下来又介绍了一种应用广泛的灰狼优化算法(GWO)。本文通过引入自适应位置更新公式、Levy飞行策略等改进提出了莱维灰狼算法(LGWO),通过测试函数仿真对其性能进行了验证,仿真结果表明LGWO算法的收敛精度、速度、稳定性方面都有了较大提高,能够满足后续辨识研究要求。(3)将本文提出的CSSA、LGWO算法应用于重尾噪声干扰下的非线性系统辨识研究中。在传统辨识研究中的系统噪声通常设定为白噪声,但实际生产过程环境错综复杂,噪声种类繁多,重尾噪声是工业过程中较为常见的噪声。当系统噪声呈现重尾特性时的系统辨识问题一直无法得到较好解决。因此本文对于重尾噪声干扰下的模块化MIMO Hammerstein、Hammerstein-Wiener的辨识问题进行研究。利用本文提出的CSSA、LGWO算法将辨识问题转化为参数寻优问题,第三章、第四章的仿真结果表明本文提出的优化算法的辨识结果精度更高,偏差更小。