多变量模型辨识理论一直是时间序列预测和工业控制领域的基础与关键。在模型辨识领域,当今多变量系统模型正朝着变量多样化、结构复杂化、参数动态化的方向发展,单变量系统模型的辨识理论很难满足发展需求,因此本文开展多变量时间序列模型辨识方法研究具有很重要的现实意义。本文主要研究内容如下:首先对多变量时间序列模型辨识过程进行了分析。在数据特性方面,对时间序列的平稳性、非线性、混沌性及多变间的相关性等进行检验与分析;在模型辨识方面,主要对线性回归模型、非线性时间序列模型及MIMO线性系统从适用性、优缺点等角度进行辨识分析;在参数辨识方面,重点对最小二乘及其演化算法从模型精度、收敛性质、计算时间等角度进行总体辨识分析。针对混沌时间序列的多步预测问题,提出了对相点聚类的多变量局域模型。在该模型中,为解决局域最优相点的辨识问题,采用相点之间相似度的综合判据,来选取最优相点提高预测精度;为克服多变量局域Volterra多步模型预测效率较低的缺点,通过对相点聚类来减少相点之间的相似度比较次数,进而提高预测效率。对于多变量线性状态空间模型的辨识,主要对状态空间子模型进行了辨识分析。当状态不可知时,提出了一种基于子模型下的多变量最小二乘和Kalman滤波状态估计的模型辨识算法(S-KF-MRLS),仿真结果表明:和KF-MRLS算法相比,S-KF-MRLS算法以牺牲较小的辨识精度来换取较高的辨识效率,大幅降低了计算的复杂度。对于多变量非线性状态空间模型的辨识,主要对非线性状态空间形式下的递归神经网络模型进行了辨识分析。针对非线性预测控制优化问题求解难度大且不精确的问题,提出了一种基于微分技术的递归神经网络非线性控制模型,通过泰勒级数展开和自动微分(AD)技术来同时求解非线性模型的常微分方程和动态灵敏度,最终实现模型的实时迭代优化。实验结果表明:与传统线性状态空间模型相比,该模型具有更高的预测控制精度和更优越的控制性能。