随着大数据时代的来临,生物学的发展越来越从系统的角度出发,计算生物学也更多的提供研究定量分析或定性分析复杂系统的可能性。从数据的角度出发,为了更多的了解复杂系统的特征,很多文献提出利用一些合适的数学模型去描述和分析复杂系统中的性质,研究者发现,模型建立,不但减少了实验水平和系统过程中的差距,也将很多重要的复杂的系统过程简化成模型的动力学规律。而模型中参数的准确识别是描述很多复杂系统转化过程的关键。因此,参数识别的算法设计受到越来越多的研究者的关注。复杂系统的参数识别研究一直是计算系统生物学的最有挑战性的问题之一。而大部分的识别算法往往面临两个重要的难题:高的时间复杂度和低准确率。本文中,为了尝试解决这两个问题,我们提出一个新的基于统计方法的参数识别算法,命名为 Particle Swarm Searching and Estimating(PSSE)。与传统算法设计相比,我们并不单纯的考虑迭代算法或统计估计,而是考虑结合不同识别方法的优势。首先,我们的算法设计利用Bayesian Computation(ABC)的估计模型,结合Particle Swarm Optimization(PSO)的快速搜索能力;其次,我们通过3个数值例子中参数准确识别验证算法的合理性,同时计算参数分布的统计性质:相对熵和标准差;然后,为了进一步的检验我们方法的效率,通过在同一设备上的相同三个不同非线性系统的实验数据,比较算法PSO和算法ABC的时间复杂度。数值实验结果说明,我们的方法在非线性系统的参数识别方面有着更好的效果。