系统辨识是常用的数学建模方法,然而在实际工业过程中,负载扰动是时刻存在的,而且会对产品的质量产生影响。现有的算法大部分未考虑负载扰动这一因素,导致对模型参数估计不准确,影响控制器设计,从而控制效果不理想。所以研究在负载干扰下的参数估计问题具有理论意义和实际指导价值。本文针对在负载扰动干扰下的线性系统和Hammerstein非线性系统,提出了相应的子空间抗扰辨识方法。本文研究内容可以从三个层面归纳:从处理负载扰动的两个方法出发,可以分为“消除”法和“变量化”法;从系统分类出发,本文探究了线性系统和Hammerstein非线性系统;从辨识数据处理方法出发,本文使用了在线和离线两种算法。主要工作具体如下:首先,针对工业过程中的线性系统抗扰问题,本文探究了已知类型的负载扰动对线性系统辨识的影响,并根据已知类型扰动的动态特性,提出了一种基于系统分解和LQ分解的新的抗扰辨识方法。通过系统模型分解,将系统分解为3个部分,分别是确定部分,随机部分和扰动部分。对分解后的系统进行增广,然后进行LQ分解以“消除”负载扰动的影响,再用SVD分解提取待辨识的系统矩阵。该方法通过LQ分解能“消除”扰动对线性系统产生的影响,达到良好的辨识效果。本文提出的方法不仅仅可以适用于开环线性系统,同时又可以避免闭环系统反馈控制器导致的反馈耦合问题,使得闭环线性系统的子空间抗扰辨识也可以应用该方法。同时通过MATLAB仿真实例,同时与现有的子空间辨识算法对比,突出本文提出算法的优越性和实用性。其次,本文针对状态空间模型下的含有慢时变负载扰动干扰的Hammerstein非线性系统,将慢时变扰动当作一项待辨识参数进行处理,基于分离策略,将该系统分解成两部分。第一部分是对应状态空间输出,两一部分是关于时变负载扰动响应。分别对这两部分构建最小二乘算法,引入自适应遗忘因子,得到了两部分参数的辨识结果。由于信息向量中的系统真实输出是不可测量的,本文通过预测重构真实输出,使迭代算法正常运行。同时通过仿真实例与其他算法进行对比,证明了所提算法的有效性和优越性。最后基于持续激励条件对所提算法进行收敛性分析。