随着工业化的发展,系统模型越来越复杂,系统辨识的计算量也越来越大。在系统辨识领域,当辨识参数向量维数较大时,递推最小二乘辨识算法的计算量会很大。针对这个问题,本文基于递推最小二乘算法、递阶辨识原理和多新息辨识理论,对方程误差类模型进行了算法推导和仿真研究,所推导出的算法具有理论意义与实际应用前景。取得了如下成果:1.针对方程误差滑动平均模型,依据递阶辨识原理,将模型分解为两个子模型,再分别用递推最小二乘法辨识这两个子模型,信息向量中含有的不可测噪声项用其估计值替换,推导出方程误差滑动平均模型的两阶段递推增广最小二乘算法。与方程误差滑动平均模型递推增广最小二乘算法比较,具有较小的计算量。2.针对方程误差自回归模型,推导出了方程误差自回归模型的三阶段递推广义最小二乘算法,仿真例子表明三阶段阶段递推广义最小二乘算法具有较小的计算量,特别是当系统模型维数较大时,效果更加明显。3.针对方程误差自回归滑动平均模型,首先结合两阶段递推辨识的思想,推导出两阶段递推广义增广最小二乘算法,再结合数字滤波思想将模型分成两个子模型,分别用多新息随机梯度算法辨识,推导出方程误差自回归滑动平均模型的基于滤波的两阶段多新息随机梯度算法,并分别通过仿真实例说明了两种算法的有效性。综上所述,本文研究和推导了方程误差类模型的多阶段参数估计算法,并通过仿真验证了算法的有效性。最后给出了结论与展望,并对本课题研究中所面临的一些困难和一些亟待解决的问题做了简单的介绍。