系统辨识是指根据系统的输入、输出信号及其统计特性进行系统参数的估计。基于循环平稳特性的二阶统计量(SOS)方法与以往基于高阶统计特性(HOS)的方法相比具有计算量小、收敛速度快等优点,因此近年来,基于信号循环平稳特性的系统辨识方法受到了广泛的关注。在传统的信号处理中,高斯信号模型占据主导地位,这种假设在许多情况下是合理的,而且在该模型下设计的信号处理方法易于进行理论上的解析分析。然而,在实际应用中存在的大量非高斯信号和噪声具有显著的尖峰脉冲特性,如水声信号、低频大气噪声及许多人为产生的信号和噪声。如果仍采用高斯分布模型来描述这类过程,将会由于模型与信号噪声不能很好匹配而导致所设计的算法性能显著退化。α稳定分布则为这类过程提供了非常有用的理论工具,因此,通常用α稳定分布来描述这类具有显著尖峰脉冲状波形的随机信号。由于α稳定分布是广义的高斯分布,而高斯分布是α稳定分布的特例,因此α稳定分布模型具有更广泛的适用性。但在分数低阶α稳定分布噪声下,由于没有有限的二阶矩,因此在高斯模型下基于二阶统计量的系统辨识方法不能正常工作。本文首先回顾了系统辨识的发展,然后分别从分数低阶α稳定分布模型和高斯模型这两方面着手,具体介绍了基于共变、α谱的系统辨识方法和基于循环平稳特性的二阶统计量的系统辨识方法。然后结合分数低阶相关和二阶循环相关给出了分数低阶循环相关(FLOCC)的定义,并证明了分数低阶循环相关的循环频率与二阶循环相关的循环频率相等的特性。最后在背景噪声为α稳定分布模型假设条件下,应用分数低阶循环相关理论,依据现有的基于循环平稳特性的二阶统计量的系统辨识方法,给出了基于分数低阶循环相关的系统辨识算法。理论分析和计算机仿真表明,该算法在高斯和非高斯α稳定分布噪声环境下均具有良好的韧性。