现实世界的动力系统由于其不断增长的规模和复杂性而难以建模,特别是在现代科学和工程中,动力系统往往存在大量的未知参数,其数目远大于输入输出样本的数量导致维数灾难。在这种背景下,经典的辨识理论和方法已不适用,需利用系统潜在的稀疏和低秩等低维结构特性。本文建立了基于低维结构约束的系统辨识理论,开发了低复杂度、高鲁棒性系统辨识方法。以下是本文的主要研究内容:研究了面向模块的非线性系统稀疏辨识问题。针对面向模块的非线性系统辨识问题,建立了时序数据驱动的隐式稀疏模型,提出了一种基于交替方向法的系统辨识算法并证明了其收敛性。在两种面向模块的非线性系统上进行了仿真实验。结果表明,与经典的方法相比,该算法能够利用少量的数据准确选择主导项并估计系统参数。研究了时空数据驱动偏微分方程的稀疏辨识问题。针对偏微分方程辨识问题,建立了时空数据驱动的非线性系统稀疏模型,提出了一种稀疏贝叶斯辨识算法,给出了算法的收敛性分析和统计分析。在四个经典物理系统上进行了仿真实验。结果表明,与传统的算法进行相比,该算法能够利用少量数据重构时空动力学模型。提出了一种低复杂度的在线稀疏辨识算法。针对批处理辨识算法计算复杂度高的问题,将稀疏约束施加至递推最小二乘中,开发了一种基于交替最小化的在线稀疏辨识算法,给出了算法的收敛率。在三个基准数据集上进行了仿真实验。结果表明,与传统的在线辨识算法相比,该算法降低了计算复杂度并提高了计算精度。提出了基于重加权交替最小化的鲁棒稀疏辨识算法。针对脉冲噪声下的系统辨识问题,设计了一类非凸非光滑规划,利用线性化和加速策略,开发了一种鲁棒的系统辨识算法并证明了其收敛性。在两种脉冲噪声下进行了仿真实验。结果表明,与经典的系统辨识算法相比,该算法提高了计算精度,并具有更强鲁棒性能。研究了线性动态系统的非渐近辨识问题。针对高维背景下经典辨识方法失效的问题,通过采集多个样本轨道和子高斯输入激励,构建了有低秩约束的多变量线性回归模型,提出了核范数启发式方法并给出了其统计分析。在无噪声环境下,引入了弱有限制等距性质,证明了该方法能够从有限个样本轨道中以很高的概率恢复动态系统;在有噪声的环境下,通过引入有限制曲率条件证明了该方法能够从有限个样本轨道中以很高的概率和较小的估计误差获得参数估计。