基于神经网络的系统辨识是当前研究的热点之一，非线性系统的辨识一直是困扰人们辨识工作的一个问题，而神经网络为此提供了一个新的、一般化的、有力的工具。 本文基于BP网络，RBF网络和Hopfield网络，对于系统辨识作了系统的探讨，主要工作如下： BP网络的改进算法，进行系统辨识取得较好的效果；如何选取辨识输入信号以得到尽可能充分的系统响应作了仿真验证；关于网络结构的选取：针对实际问题选取辨识网络输入、隐层节点的个数，本文作了探讨；并且总结使用周期函数作为激活函数进行系统辨识的效果。本文对低阶、高阶、线性、非线性系统都作了辨识仿真，其泛化能力也作了仿真。证明了BP网络具有较全面的系统辨识能力，功能强大，适用面广，泛化能力优良。但它的计算时间长，易陷入局部极小一直是它不易克服的缺点。 RBF网络以其最佳逼近特性，快速，克服了局部极小，并且不用设定隐层节点数的优点受到人们的青睐。本文用RBF网进行系统辨识验证了其快速性，优秀的逼近能力，但它的泛化能力差强人意，本文对此作了探讨与解释。 Hopfield网络是典型的动态网络，目前的系统辨识都是以其用作为状态空间参数的辨识。本文用它进行输入-输出模型辨识，看它是否能应用于此类模型辨识，并对仿真结果作了分析和解释，得到结论。 本文是关于基于神经网络的系统辨识的系统探讨。系统辨识以其在控制、预测、分析、设计和计算机仿真中的重要作用，必有其广阔的发展前景，具有很强的实际意义。