随着现代工业进程的加快，控制科学的研究对象规模越来越大，变量数目越来越多，辨识方法的计算量越来越大。因此，如何提高辨识方法的计算效率，减少计算量，给系统辨识提出了新的研究课题。本文利用分解技术，研究了线性系统、非线性系统和多变量系统的最小二乘迭代辨识问题。选题具有理论意义和应用价值。论文的主要工作如下。1.针对有限脉冲响应滑动平均系统，给出了最小二乘迭代辨识算法，为了减小算法的计算量，利用矩阵分块求逆引理和信息矩阵分解求逆，提出了基于矩阵分解的最小二乘迭代辨识算法，其计算量比最小二乘迭代辨识算法小。然后将提出的方法推广到受控自回归自回归滑动平均系统和Box-Jenkins系统。2.针对有限脉冲响应自回归系统,给出了最小二乘迭代辨识算法，研究了基于矩阵分解的最小二乘迭代辨识算法和基于辨识模型分解的最小二乘迭代辩识方法。分析表明基于模型分解的最小二乘迭代辨识算法计算量最小，基于矩阵分解的最小二乘迭代辨识算法其次，最小二乘迭代算法计算量最大。3.针对Hammerstein有限脉冲响应滑动平均系统，基于过参数化辨识模型，推导了最小二乘迭代辨识算法和计算量小的基于矩阵分解的最小二乘迭代辨识算法。并将这方法推广用于输入非线性的输出误差类系统以及输出非线性系统，提出了相应的基于矩阵分解的最小二乘辨识方法。4.为了减小基于过参数化模型辨识方法的计算量，以Hammerstein受控自回归系统为例，使用关键变量分离技术，提出了相应的基于矩阵分解的最小二乘迭代辨识算法，比基于过参数化模型的最小二乘迭代算法计算量要小得多。5.针对有限脉冲响应滑动平均的多变量系统，推导了矩阵参数情形的基于矩阵分解的最小二乘迭代辨识算法。针对多变量输出误差滑动平均系统，结合利用辅助模型辨识思想和模型等价原理，提出了基于矩阵分解的最小二乘迭代辨识方法，并将这一方法推广到多变量受控自回归自回归滑动平均系统和多变量Box-Jenkins系统，推导了计算量小的基于辅助模型和矩阵分解的辨识方法。综上所述，本文主要研究了基于分解思想的辨识方法，仿真实验证明了提出算法的有效性。计算量分析表明了所提出的算法比最小二乘迭代算法的计算量小。