系统辨识是通过输入输出数据来获得系统的数学模型,而传统的控制理论对系统进行控制的前提就是需要系统精确的数学模型,因此系统辨识的精度将在很大程度上影响控制品质,随着系统辨识理论研究的逐步深入,数据驱动控制逐渐受到学术界的重视,所谓数据驱动控制即利用数据进行辨识来得到控制器,其中虚拟参考反馈校正控制和子空间预测控制是比较典型的数据驱动控制方法。本论文是在系统辨识理论的框架之下,针对控制理论中常见的线性系统模型和非线性系统模型,提出了若干种新颖的辨识方法,同时对以辨识为基础的虚拟参考反馈控制以及子空间预测控制进行了深入的讨论和研究,论文的主要工作分为如下四个方面:针对线性回归模型的参数辨识,根据常规最小二乘辨识方法在有色噪声下估计有偏的缺陷,提出可分离迭代的递推辨识算法,得到了未知参数的无偏估计;同样对于线性回归模型,当噪声序列未知但有界时,提出一种带死区的最小二乘算法,仿真结果表明在未知有界噪声下该算法具有较好的收敛性。第二对于带有测量噪声输入和输出观测信号的线性系统辨识,研究了参数辨识试验的滤波设计,仿真结果验证了算法的有效性。最后针对线性系统闭环辨识的模型结构检验问题,在预测误差辨识法的前提下,根据未知参数的渐近方差矩阵的内积形式,从概率统计意义上构造模型参数及互相关函数的不确定性边界,从优化的角度推导输入滤波器的选取形式,仿真算例验证了算法的有效性。针对非线性系统辨识,在现有的直接加权方法的线性仿射函数中,增加了多个关于输入观测数据序列项的未知权重值,从而使得在优化辨识算法中有两类未知权重值同时承担逼近原非线性系统的任务,提高了逼近精度,同时证明了所提算法的收敛性。第二从统计学习理论的角度分析,逼近误差的范数选择为最小化估计误差边界小于某指定的门限值的概率,通过推导得到未知权重值的显式表达式。最后通过仿真实例验证了所提算法的有效性。针对虚拟参考反馈校正控制方法(VRFT),在系统模型未知情况下通过模型输入输出数据直接设计两控制器,同时考虑对期望给定的闭环传递函数和灵敏度函数的模型匹配,在所得优化函数的基础上利用迭代最小辨识得到控制器参数。仿真算例验证了所提方法的有效性。然后针对虚拟参考反馈中模型参数检验以及输入信号设计,在概率统计意义下推导出其两类未知参数矢量的统计渐近方差矩阵表达式,此矩阵式可作为最优滤波器设计的基础,同样可将其应用于控制器的检验。针对带有故障的随机状态空间模型的控制设计问题,利用子空间辨识方法,用过去和现在的输入-输出观测数据对来表示将来时刻的输出数据,从而建立故障到残差间的传递函数关系式。基于此关系式,通过求解一个带约束条件的优化问题得到故障估计值。在预测控制的的二次代价函数中加上控制输入和输出变量的约束条件,根据约束优化问题的结构特点,利用优化理论中的快速梯度算法取得了原代价函数的全局最优值,从而得到了选择控制输入的迭代算法,同时针对线性控制输入的仿射形式,在二次代价函数中施加关于控制变量的仿射约束条件,通过求解一优化问题,得到控制输入的仿射项和增益项,仿真结果表明所提方法的有效性。