在过程控制领域中,对象的模型常含有时滞、非线性、高阶等特性,较为复杂。因此,在基于模型的控制器的分析与设计中,模型降阶与模型近似是经常要使用的方法,而模型的复杂程度决定了控制器设计的难易。在多变量多时滞控制系统的设计和实现过程中,由于解耦后得到的各个回路的被控对象的数学模型较为复杂,直接设计其控制器需要繁琐的推导和大量的计算,不仅费时而且费力,因此,需要对该模型进行近似处理。目前,模型近似在工业控制领域引起了广泛的重视,尤其是在基于模型的预测控制和优化过程中。本文在深入研究模型近似方法相关领域的基础上,针对内模控制里遇到的多变量多时滞的叠加模型、多变量多时滞非最小相位系统的叠加模型和工业控制中常见的高阶时滞模型,进行了模型辨识与模型近似。在模型辨识或模型近似时,主要是解决模型结构和优化算法。针对多变量多时滞非最小相位系统的叠加模型,本文提出使用具有非最小相位系统的二阶加时滞的模型结构来近似此模型,在模型近似的优化算法上,分别采用了时域次最优算法、频域频率递推最小二乘(FRLS)算法和粒子群(PSO)算法,并对三种优化算法在此模型结构的近似中的模型精度进行了比较。仿真研究表明：利用二阶非最小相位模型结构,得到的近似模型能充分体现原模型的动态特性；所使用的三种优化算法都具有很好的寻优精度,同时,分别采用了平方误差积分(ISE)指标、频域误差平方积分误差(FISE)指标以及时间乘绝对误差积分(ITAE)指标对所得到的近似模型进行了综合评估。本文又针对高阶时滞模型和多时滞相加的复杂模型,以PSO算法为工具,设定了初始值的选取范围,把传统模型近似的纯数学理论推导问题转化成PSO算法的最小化寻优,采用了ITAE指标对所得到的近似模型进行了评价。此外,在实际工业过程中,出于稳定性需求,以及实际控制常需要系统在闭环条件下运行,因此本文研究了基于开闭环转换的两阶段闭环辨识方法和基于PSO的闭环辨识方法。仿真实验证明了给出方法的有效性。