系统辨识是基于数据建立系统动态模型的一种有效方法,然而,在实际应用中,获得足够量的输入输出数据有时是困难且奢侈的。因此有必要研究少量采样数据条件下的系统辨识方法。鉴于时滞在过程工业、通信系统中广泛存在,以及状态空间模型在控制领域的广泛使用,本文针对状态空间模型描述的多变量多时滞系统,在时滞未知的情况下,基于压缩感知中的稀疏恢复方法,研究少量采样数据条件下模型的时滞和参数的联合辨识。研究内容主要有以下三点。（1）针对状态空间模型描述的多变量多时滞系统,若每个通道时滞未知,基于压缩感知中的稀疏恢复方法,研究了模型的时滞和参数联合辨识方法。首先通过设定输入数据回归长度和状态方程的移项变换得到输出与状态和输入的过参数化稀疏回归方程。其次分别利用参数滤波技术改进凸优化方法中的基追踪降噪方法,贪婪算法中的正交匹配追踪算法和压缩采样匹配追踪算法,得到回归方程的稀疏参数向量,并根据参数向量的稀疏结构得到各通道的时滞估计。数值仿真验证了各算法的有效性。（2）针对状态空间模型状态不可测的情况,研究了该模型过参数化模型的时滞、参数和状态联合辨识方法。根据迭代辨识方法,基于卡尔曼滤波算法和改进的稀疏恢复方法,分别推导了基于卡尔曼滤波的基追踪降噪迭代算法、基于卡尔曼滤波的正交匹配追踪迭代算法和基于卡尔曼滤波的压缩采样匹配追踪迭代算法,在迭代过程中交互估计状态和稀疏参数向量。数值仿真验证了各算法的有效性。（3）针对有色噪声干扰且状态不可测的状态空间模型,利用迭代辨识方法、卡尔曼滤波算法和改进的稀疏恢复方法,解决了过参数化模型的信息向量含有未知状态和未知噪声的问题,分别推导了基于卡尔曼滤波的增广基追踪降噪迭代算法、基于卡尔曼滤波的增广正交匹配追踪迭代算法和基于卡尔曼滤波的增广压缩采样匹配追踪迭代算法。数值仿真验证了各算法的有效性。综上所述,本文针对三种不同状态空间模型,利用稀疏恢复方法中的凸优化方法和贪婪算法,结合迭代辨识方法和卡尔曼滤波算法,分别推导得到相应的算法,提出的所有算法均可在少量采样数据下基于稀疏恢复实现状态空间模型的时滞与参数的联合估计。仿真结果表明了所有方法的有效性。