多率系统在实际系统中广泛存在，如通信系统，化学工业过程，生物医学等．多率系统中存在两种或两种以上的操作频率，其数学模型要比传统的离散时间系统复杂．鉴于此，多率系统辨识的研究受到了国内外学者的关注和重视．本文基于多新息辨识理论，辅助模型辨识思想，递阶辨识原理，最小二乘辨识原理和梯度搜索原理研究多率多输入系统的辨识问题，并用数值仿真例子验证提出算法的有效性．论文的工作主要有如下几个方面：1研究了多输入多输出系统的辨识问题．借助于多新息辨识理论，引入新息长度，将单新息向量扩展为多新息矩阵，提出了多新息随机梯度算法．应用鞅收敛定理证明了多新息随机梯度算法的收敛性．2研究了方程误差多率系统的辨识问题．为了提高算法的收敛速度和估计精度，从多新息角度，引入新息长度，将单新息标量扩展为多新息向量，提出了多新息随机梯度算法，应用鞅定理证明多新息随机梯度算法的收敛性．由于多率系统离散化后得到高维、参数数目多的辨识模型，算法的计算量大．借助递阶辨识原理，提出了可以降低计算量的递阶最小二乘算法．3研究了输出误差多率系统的辨识问题．结合辅助模型辨识思想和多新息辨识理论，提出了辅助模型多新息随机梯度算法．利用辅助模型辨识思想，提出了辅助模型最小二乘算法，应用鞅收敛定理证明辅助模型最小二乘算法的收敛性．4研究了多率系统子模型的辨识问题．基于辅助模型辨识思想，对多率系统的每个子模型分别建立辅助模型，提出了辅助子模型最小二乘算法．与辅助模型最小二乘算法比较，需要辨识的参数数目较少，计算量较小．5研究了Box_Jenkins多率系统的辨识问题．结合辅助模型辨识思想和多新息辨识理论，提出了辅助模型多新息广义增广随机梯度算法．辅助模型多新息广义增广随机梯度算法充分利用多率输入输出当前和过去时刻的新息，提高了辅助广义增广随机梯度算法的收敛速度和估计精度；辅助模型多新息广义增广随机梯度算法不需要计算协方差矩阵，计算量要小于辅助模型广义增广最小二乘算法．