系统辨识是根据观测的系统输入数据及输出数据，通过最小化某个误差准则函数而建立数学模型。在该领域的辨识算法中，最小二乘法得到广泛的应用。但是对于输出误差模型，利用标准最小二乘算法进行的估计是存在偏差的，因此引入了1970年提出的偏差补偿思想。随着观测数据的增多，若新旧数据的影响程度相同，则容易出现“数据饱和”现象，因此加入遗忘因子，以减弱旧数据的影响，从而抑制“数据饱和”现象。另外，很多实际系统的参数是时变的，加入遗忘因子后算法能够进行参数时变系统的参数辨识。因此，在本文中，将偏差补偿思想同遗忘因子相结合，建立输出误差模型的无偏估计辨识算法。本文将从以下几个方面进行研究。当输出误差模型的干扰噪声为随机白噪声时，提出了带遗忘因子的偏差补偿最小二乘估计算法。在算法的建立过程中，首先将偏差补偿项计算出来进行偏差消除，然后对未知白噪声的平均加权方差进行估计，从而得到系统参数的最终估计值。当输出误差模型的干扰噪声为有色噪声时，提出了带遗忘因子的偏差补偿最小二乘估计算法。在算法的建立过程中，引入预滤波的思想，利用滤波器中已知的零点信息对系统的偏差项进行补偿，从而得到系统参数的最终估计值。最后，针对建立的两个辨识算法进行实例仿真验证算法的有效性。在仿真实验中，将算法分别应用在参数阶跃变化、线性变化、方波变化及正弦变化四个不同的参数时变输出误差模型中，并将算法与未加遗忘因子的偏差补偿递推最小二乘辨识算法进行比较，仿真曲线显示了本文提出的估计算法在辨识时变系统参数时具有优越性。