参数识别问题在许多科学和工程领域具有非常重要的作用,并且为实际应用提供了更加精确有效的模拟。在过去的几十年里,由于其重要的应用价值以及大型计算机和可信赖的高效数值算法的出现,参数识别问题在各个学术领域已经得到了广泛和快速的发展。但是,实际计算中涉及含噪声的测量数据降低了参数估计的精度,并且现有算法的计算精度和计算速度还不能很好的满足实际应用的需求。因此,为了压制反问题的不适定性,如何建立合适的反演模型以及设计合适的正则化和优化算法,便是一个非常重要的问题。　　 本文主要针对两种类型的偏微分方程的参数识别问题进行讨论。文中基于分段常值水平集方法,根据水平集函数和优化过程的特点,修正原有Uzawa型算法中的带有总变差(TV)正则化的极小化模型和对常值向量的极小化模型,并且改进了原有的算法格式。首先,针对椭圆型方程不连续参数的识别问题,根据原有算法的计算效率较低、抗噪性较差、可识别区域数较少的不足,本文结合Barzilai-Borwein梯度型方法和预处理共轭梯度算法构造了一种新的参数识别算法格式;结合数值实验结果显示,新算法具有计算时间短、精度高、抗噪性强的优点,并可以识别较复杂的几何区域。其次,针对抛物型方程不连续参数的识别问题,根据原有算法对于加噪观测数据计算不收敛的问题,本文利用分裂Bregman迭代算法处理TV范数的优越性,构造了一种新的参数识别算法格式,通过数值试验验证,表明了新算法的有效性。