最小二乘算法在系统辨识领域被广泛使用,但是对于输出误差模型得到的辨识参数不是无偏的,将偏差项补偿到辨识中可以得到无偏估计,这就是偏差补偿思想。随着工业的发展,系统越来越庞杂,模型的维度和阶数愈发增大,计算量的增大给辨识带来很多麻烦。传统的两阶段辨识算法可以减小计算量,但是却会产生收敛速度减慢的问题。本文基于偏差补偿递推最小二乘辨识算法,以减小计算量、改进收敛特性为目的,将从以下几个方面进行研究。针对白噪声干扰下的输出误差模型,利用递阶辨识原理,将系统分解成分别包含输入和输出参数的两个子系统。运用偏差补偿最小二乘法对两个子系统分别进行辨识,得到了两阶段偏差补偿递推最小二乘辨识算法,它是输出误差模型的无偏估计辨识算法。考虑到最新估计的信息理论上是更接近参数真值的,将一个子系统最新估计的参数值应用到另一子系统的参数估计中,建立了基于最新估计的偏差补偿递推最小二乘辨识算法。与偏差补偿递推最小二乘算法进行比较,新建立的算法的计算量更小。在MATLAB下的仿真结果显示,基于最新估计的算法能够改进两阶段辨识算法的收敛速度,并且有较好的收敛精度和抗干扰能力。为了能够辨识时变系统的参数,结合递阶辨识思想和遗忘因子法,基于已经存在的带遗忘因子的偏差补偿递推最小二乘算法,得到了两阶段的带遗忘因子偏差补偿递推最小二乘辨识算法。然后,将先辨识的子系统的最新估计的信息用于另一个的参数估计,建立了基于最新估计的带遗忘因子偏差补偿递推最小二乘辨识算法。新建立的两个辨识算法的计算量更小,仿真结果表明,基于最新估计的算法收敛速度好于两阶段辨识算法,具有良好的跟踪能力,并且当系统为时变参数和定常参数混合的情况,通过为两个子系统选择适当的遗忘因子,显著改善了遗忘因子对定常参数辨识的影响。综上所述,论文建立了输出误差模型的基于最新估计的辨识算法,减小了辨识的计算量,改进了两阶段算法的收敛速度。