在线性系统辨识问题的研究中,最小二乘迭代辨识算法被应用于输出误差类模型的参数估计,可以实现较高的辨识进度。但是当算法中所涉及的数据乘积矩矩阵维数较大时,计算量大的问题就会突显出来。因此,本文研究了基于分解和滤波的最小二乘迭代估计方法,推导出针对输出误差类模型的辨识算法,相对与现有最小二乘迭代算法提高了计算效率。该方法具有理论意义和实际应用前景,论文取得如下成果：1.针对输出误差系统,将原待辨识系统分解为两个虚拟子系统,利用最小二乘估计方法,推导出应用于在线辨识和离线辨识下的分解迭代辨识算法,该算法与现有最小二乘迭代算法相比能减小一定的计算量。2.针对带有色误差的输出误差滑动平均系统,将原待辨识系统分解为三个虚拟子系统,推导出基于分解的最小二乘迭代辨识算法,该算法相对现有的最小二乘迭代算法有更好的计算效率。3.针对另一种有色噪声干扰的输出误差自回归系统,利用分解和滤波技术将原待辨识系统分解为多个虚拟子系统,推导出基于滤波分解的最小二乘迭代辨识算法,该算法相对现有的最小二乘迭代算法有更好的计算效率。4.针对Box-Jenkins系统,推导其基于分解的辨识模型,利用滤波技术和分解辨识方法,推导出基于分解滤波的多阶段最小二乘迭代辨识算法,该算法的计算量相比现有算法具有明显的优势。5.通过多个仿真实验分别验证上述算法的有效性,并综合算法计算量分析,证明了在系统待辨识参数较多或者采集输入输出数据量较大的情况下,本文所提出的算法相比现有算法具有更高的计算效率,在达到相近的辨识精度的前提下,有效的减少了计算量。综上所述,本文研究了针对输出误差类系统的分解迭代估计方法,推导出针对各个具体系统模型的辨识算法,通过仿真实验验证了算法有效性,并结合计算量分析证明了所提出的算法在待辨识参数多、采集输入输出数据量大的条件下,相比现有的最小二乘迭代算法具有更高的计算效率。