针对多率系统(Multirate system)的辨识研究多采用传统的递推辨识算法，近年来，随着科学技术和辨识理论的不断进步和发展，对复杂系统辨识方法的探索以及对辨识方法在收敛性、准确性和鲁棒性等性能上都提出了更高的要求。本文以群智能的生物优化理论为基础，结合线性系统辨识算法的特点与多新息辨识理论融合，基于多率系统的状态空间模型，研究了多率系统的模型转换、参数辨识、状态估计等问题。并分析了智能算法的收敛性和鲁棒性。在前期研究的基础上，查阅了大量的文献，进行了比较深入的研究，取得研究成果如下：1.针对标准粒子群算法的缺点，提出了改进型的快速收敛协同粒子群算法(TheModified Cooperative Particle Swarm Optimization algorithm, MCPSO)，给出了算法的迭代公式，并根据标准二阶系统稳定性理论，分析算法的收敛性并给出收敛区域和参数设置准则，最后通过标准测试函数验证改进算法的快速寻优性能和有效性。2.基于双率系统，利用提升技术，建立系统的状态空间辨识模型，通过极小化估计误差协方差矩阵来辨识系统参数，将改进的快速收敛协同粒子群算法，应用在带有白色和有色噪声的双率模型上，通过和递推最小二乘算法(RLS)的实验结果比较，对比了不同算法在双率系统参数估计上的优缺点，分析了算法的收敛性和鲁棒性。3.基于非均匀周期采样的多率系统，建立系统规范型状态空间模型并推出基于快速收敛的协同粒子群优化的状态估计算法。通过实验来验证了改进算法在多率系统参数辨识和状态估计上的有效性。最后，论文对本课题的研究成果做了总结并介绍了有待深入研究的方向和困难，如对双率系统的状态不可测时的参数和状态估计问题的研究和进一步推导改进算法收敛区间的最佳参数设置等理论问题。