可靠性辨识方法即强稳健性和强鲁棒性的辨识算法,在保证辨识精度的前提下,能够可靠的对动态过程进行辨识是控制领域的重要内容之一。最小一乘辨识方法在存在尖峰噪声的情况显示出更强的稳健性和更好的辨识效果。本文在最小一乘辨识的基础上,提出了基于最小一乘的若干可靠性辨识方法。针对智能优化算法不要求目标函数连续的情况,提出了基于万有引力搜索算法(Gravitational Search Algorithm,GSA)的最小一乘算法,并针对GSA算法的不足进行改进,提高了参数估计精度和辨识速度。基于GSA的最小一乘算法具有很强的全局搜索能力和局部寻优能力,且在样本数很小的情况下仍然能准确辨识参数。当多变量闭环系统的模型阶次不满足传统闭环系统可辨识条件时,观测数据矩阵会存在线性相关,导致模型参数不能被精确估计。本文提出基于近似偏最小一乘的多变量闭环系统辨识方法,针对观测数据矩阵存在线性相关的情况,运用主成分分析去除相关性,将不可辨识转换为可辨识,得到模型参数唯一解,并能够有效抑制尖峰噪声;进一步从理论上证明了多变量闭环系统的可辨识性。最后,针对输入信号线性相关的多变量Hammerstein模型和输入信号之间非线性相关的多变量Hammerstein模型,研究性能优越的非线性系统的可靠性辨识方法,给出了基于近似偏最小一乘的多变量Hammerstein模型辨识算法和基于近似偏最小一乘的径向基函数辨识算法(RBF-PALAD)。两个算法均将近似偏最小一乘作为主要手段来去除相关性。对于输入信号非线性相关的模型利用RBF-PALAD算法将输入矩阵进行列扩展,将扩展项矩阵作为RBF的隐节点输出矩阵并解决系统的非线性问题。白噪声干扰和满足SS?分布的尖峰噪声干扰情况下的仿真实验均验证了本文所提算法的可靠性,并且与基于最小二乘准则的算法相比,精确度更高,稳健性更强,可靠性性能更加优良。