系统辨识就是通过测量系统输入、输出数据来建立生产过程数学模型的一种理论及方法，一个精确、有效的数学模型可以为控制系统及控制器的设计、控制策略的选择提供强大支持。本文从状态空间、输出拟合、闭环辨识、数字仿真等几个方面入手，对多种辨识过程进行了研究，主要做了如下工作：1.介绍本文的课题背景及发展状况，针对辨识过程中遇到噪声种类的不同，分别介绍了三种经典辨识算法：最小二乘法、增广最小二乘法以及辅助变量法。通过数字仿真实验分析、验证了这些方法的有效性和局限性。2.对于具有非零初始状态的单输入-单输出正则状态空间模型，本文提出了一种基于优化算法的改进辨识方法估计模型参数。将系统未知的初始状态作为一个待辨识量，把原始数据转化为偏差量形式。利用粒子群优化算法，搜索未知初始状态的最优估计的同时根据递推最小二乘法得到模型的参数估计值。仿真结果证明这种方法提高了辨识结果的准确度，对测试开始时输出仍处于动态响应的过程可以得到精确的模型参数估计值，而且在受到噪声干扰的情况下依然具有良好的辨识效果。3.针对闭环系统，本文提出了一种基于传统比例-积分-微分控制器的辨识方法。首先通过Laguerre级数扩展式的线性组合拟合系统输出响应并可得到一个高阶过程传递函数。然后，利用一个基于频率响应数据的模型降阶算法将这个高阶过程传递函数降阶成低阶加滞后时间模型。该方法可以有效地辨识多种过程模型，对测量噪声有很好的鲁棒性而且无需任何迭代优化，无需对系统有任何先验知识，这种方法还可以应用于在线辨识中，为控制器的自整定提供了模型依据。4.由于各个子系统之间存在耦合性，使得多变量系统的辨识过程变得非常复杂，将本文所提出的闭环辨识方法推广到多变量过程中，通过在设定点依次加入阶跃信号， n n维的多变量系统全部的传递函数都可以被辨识出来。这种方法可以应用于多种的多变量控制系统中，例如带有分散式控制器的多变量系统或带有集中式控制器的多变量系统。