阐述了选题的目的和意义,概述了经典系统辨识方法的研究状况、模块化非线性系统辨识方法的研究状况、双率/多率系统辨识方法的研究状况。本文研究双率采样Hammerstein CAR系统的参数辨识方法,通过多项式变换技术和不同的模型转换技术,得到双率采样Hammerstein CAR系统的两类辨识模型：双率双线性辨识模型和双率(单)线性辨识模型,然后提出基于两类辨识模型的最小二乘辨识算法、随机梯度辨识算法、遗忘因子随机梯度辨识算法、多新息随机梯度辨识算法。1.提出双率采样Hammerstein CAR模型的基于递阶辨识原理的最小二乘辨识方法。将双率采样Hammerstein CAR模型通过多项式变换和模型转换变换为双率双线性辨识模型,从而提出基于递阶辨识原理的双率采样Hammerstein CAR模型的最小二乘辨识算法,以交互估计辨识模型中每一个参数向量。最后通过仿真例子验证了算法的有效性。2.提出双率采样Hammerstein CAR模型的基于关键变量分离原理的最小二乘辨识方法。将双率采样Hammerstein CAR模型通过多项式变换和采用关键变量分离原理将模型变换为双率(单)线性辨识模型,从而提出基于关键变量分离原理的双率采样Hammerstein CAR模型的最小二乘辨识算法。最后通过仿真例子验证了算法的有效性。3.提出双率采样Hammerstein CAR模型的基于关键变量分离原理的随机梯度辨识算法、遗忘因子随机梯度辨识算法、多新息随机梯度辨识算法。针对最小二乘算法计算量大的缺点,将双率采样Hammerstein CAR模型通过多项式变换和采用关键变量分离原理将模型变换为双率(单)线性辨识模型,提出基于关键变量分离原理的双率采样Hammerstein CAR模型的随机梯度辨识算法,降低了计算量；进一步提出遗忘因子随机梯度辨识算法和多新息随机梯度辨识算法,来改善随机梯度辨识算法收敛速度慢的缺点。并通过仿真例子验证算法的有效性。