近年来,随着空间科学技术的发展,空间材料实验对高温晶体炉的温度控制提出了更高的标准。为了提高控制算法精度,就需要借助系统辨识这个工具,通过分析被控对象的系统模型,设计出有针对性的控制算法。现如今,大多数的辨识算法都是以统计学为基础,通过分析输入输出数据之间的相关关系,从而估计出系统的内部模型。在这种思路下,就需要获得大量用于计算的统计数据,而且数据量越大所估计出的系统模型也就越接近真实系统。不过,这对于很多实际系统而言是很难实现的。本文将系统辨识从信号测量的角度来解决问题。鉴于任意系统均可以被表示为某种信号,所以对系统的辨识问题就可以为是对这个未知信号的测量问题。近年来,压缩感知理论提供了一个对信号进行测量的新框架,该理论将对信号测量的关注点从频域转向信号的信息量,从而突破了传统的采样定理的要求,极大地降低了对数据量的要求。本文正是利用了压缩感知理论来对系统模型进行测量,并且在此基础上提出了压缩测量辨识算法,以期利用尽可能少的测量数据获得准确、稳定、可靠的系统模型。首先,本文将压缩测量辨识算法应用于对线性时不变系统的辨识问题之中,并通过仿真证明了对线性时不变系统的欠采样测量是准确的,并且在测量噪声较大的情况下,仍然能够获得稳定的测量结果。但是,在对电机进行辨识的实验中发现通过均匀采样的方式会引入大量的测量噪声,使得测量精度大幅下降。为了解决该问题,本文修改了测量矩阵的形式,使得该算法可以利用非均匀的采样数据来对系统进行测量,并且实现了测量的超分辨。随后,本文将该算法推广到线性参变模型的辨识之中。从测量的角度来看,对时不变系统的测量就是对静态信号的测量,而对时变或者参变系统的测量就是对动态信号的测量。因而,本文借用测量动态信号的方法,实现了对线性参变模型的辨识。虽然,线性参变模型可以表示部分的非线性系统,但是其适用范围较窄。因而,本文结合Volterra级数展开的方法,拓宽了压缩测量辨识算法在非线性系统中的适用范围。此外,在利用多项式展开方法对非线性系统进行的辨识方法中,一个难以避免的就是“维数灾难”问题。而压缩感知定理恰恰可以适用于大规模稀疏信号的测量问题,这就使得压缩测量辨识算法可以测量得到更复杂的非线性系统模型,也就拓宽了算法的适用范围,并且提高了算法的准确性。