参数辨识是分析与设计被控系统的前提和基础。随机梯度类辨识算法是常见的一种辨识算法，不同于另一种常见的最小二乘类辨识算法，随机梯度类辨识算法在每步递推过程中由于利用比较少的信息，所以此类算法具有更小的计算量，执行效率更高，但同时算法的辨识精度也有所降低。对于参数待辨识的系统模型而言，种类也有许多。输出误差类模型是一类常见的辨识模型，具体包括输出误差模型、输出误差自回归模型、输出误差滑动平均模型和输出误差自回归滑动平均模型。本文主要针对输出误差类辨识模型和随机梯度辨识算法开展了研究，通过引入加权、多新息和最新估计的辨识思想对基本的随机梯度辨识算法进行了改进，使得改进的辨识算法针对输出误差类辨识模型拥有更高的辨识精度和更快的收敛速度，同时改进的辨识算法具有更小的计算量，克服了基本的随机梯度辨识算法辨识精度低的缺点。具体的研究内容安排如下：　　为了改善基本随机梯度辨识算法的信息利用率低的问题，基于多新息辨识思想，利用加权思想，通过引入权重值将算法每步递推过程中当前时刻的修正项与前一时刻的修正项加权求和，推导出四种输出误差模型的加权多新息随机梯度辨识算法；为了进一步提高加权多新息随机梯度辨识算法辨识的精度，引入最新估计的辨识思想，用最新时刻的参数估计值代替前一时刻参数估计值，推导出四种输出误差模型的基于最新估计的加权多新息随机梯度辨识算法。　　为了验证本文提出的改进辨识算法的有效性，将基本随机梯度辨识算法与本文提出的改进算法分别针对四种具体的输出误差类模型进行了仿真对比。仿真结果验证了本文提出的改进算法的有效性，通过选取合适的权重值，可以使得改进的算法相比原算法具有较好的辨识精度，同时列出了改进算法和原算法的计算量表格，通过计算量的对比，可以发现本文提出的改进算法可以在计算量更小的情况下达到原算法的辨识精度，或者比原算法辨识精度更高。　　针对本文提出的加权多新息随机梯度辨识算法和基于最新估计的加权多新息随机梯度辨识算法列出了步骤完善的算法收敛性分析与证明，在理论基础上证明了本文提出的改进算法的有效性。