近年来,随着控制对象的日益复杂化、非线性化,对非线系统的辨识方法也提出了新的要求。人工神经网络做为一门新兴学科,以其自身的特征在不同领域都得到了广泛的应用,也为非线性系统的辨识提供了新的途径。本文从非线性定常系统及非线性时变系统两个方面,将人工神经网络应用于非线性系统辨识中。BP神经网络作为人工神经网络中应用最为广泛的模型,本文将其应用于非线性定常系统的辨识问题中。针对标准BP神经网络中存在的收敛速度慢、容易陷入局部最小的缺点,本文提出了改进激励函数和搜索动态学习率两种改进算法;并以非线性定常模型为例,在不同输入的情况下,对两种改进方法进行了数值仿真。通过对输出曲线与误差累计曲线两个方面仿真结果的分析得出,改进算法提高了BP神经网络的收敛速度、降低了运算时间,对非线性定常系统有良好的辨识效果。对有限时间区间内可重复变化的非线性时变系统,本文以迭代学习算法为基础建立了时变径向基神经网络模型,同时将动态遗忘因子最小二乘算法应用在隐含层与输出层权值修正过程中,实现对非线性时变系统的辨识;并以一个非线性时变系统为例,在不同输入的情况下,进行了数值仿真。通过对仿真结果的分析得出,时变径向基神经网络能够较为精确地完成对非线性时变系统的辨识,辨识精度高于定常径向基神经网络模型。