在系统辨识问题中,建立待辨识模型是一个重要的步骤。模块化非线性系统具有模型结构简单的特点,采用不同静态非线性块和动态线性块级联而成,其优点在于将系统的动态静态特性相分离,可以很好描述实际非线性系统。且设计时变模块化非线性系统和切换模块化非线性系统更加全面描述实际过程中的非线性和时变特性。由于模块化非线性系统包含一定的输入非线性或输出非线性,为其辨识带来一定难度,而且复杂噪声环境下,辨识结果存在偏差。对于高斯分布的白噪声或有色噪声,辨识算法自身具有一定的鲁棒性。但当脉冲干扰等存在时,辨识算法在该时刻产生巨大误差从而影响下一步的辨识结果。因此需要对模块化非线性系统的辨识算法进行改进使其具有鲁棒性。对于时变模块化非线性系统和切换模块化非线性系统,辨识算法不仅需要考虑系统时变特性、切换机制,还要兼顾算法鲁棒性,以获得精确的鲁棒参数估计。本文针对简单模块化非线性系统、时变模块化非线性系统、切换模块化非线性系统,提出三种复杂噪声环境下的鲁棒辨识算法。针对简单模块化非线性系统,将辨识问题转化为极小值优化问题,结合粒子群优化（PSO）和k均值聚类得到智能辨识方案。PSO可以解决非高斯噪声下的简单模块化系统的辨识问题,与k均值聚类结合可有效防止算法陷入局部最优,快速得到准确的鲁棒参数估计。针对时变模块化非线性系统,提出基于多迭代的递推辨识算法。在递推辨识中引入多迭代思想,使信息向量包含多个时刻的信息从而弱化异常值的冲击,并且设计合适的估计器来估计未知噪声的统计特性提高算法鲁棒性。在多时刻的信息向量中加入阻尼系数加强当前时刻信息所占比例并设计合适的遗忘因子以跟踪参数变化,掌握系统时变特性。针对切换模块化非线性系统,提出一种基于两种迭代长度递推辨识器的切换探测方案,并将鲁棒性强的最小一乘准则函数作为递推辨识的性能指标增强算法鲁棒性。带有长迭代的辨识器负责抵抗异常值的干扰,带有短迭代的辨识器负责跟踪过程的变化,分析两种辨识器的结果差异得到慢切换系统的切换机制。最后,在理论上证明所提递推辨识算法的收敛性,并通过一系列仿真实例证明所提出三种算法的有效性和鲁棒性。