极大似然辨识是基于概率统计理论的估计方法，它通过构造观测数据和未知参数为自变量的似然函数，并极大化似然函数获得参数估计值，具有良好的统计属性，在很多领域有着广泛的应用。然而，目前极大似然辨识方法的研究仍然有限。因此，论文结合数据滤波技术、递阶辨识原理、多新息辨识理论等，研究线性系统、Hammerstein非线性系统的极大似然辨识方法，具有理论意义和学术价值。论文的主要工作如下。1.针对有限脉冲响应自回归滑动平均系统，推导了极大似然递推最小二乘算法；利用数据滤波技术对输入输出数据进行滤波，得到了基于数据滤波的极大似然递推最小二乘算法，减少了算法的计算量。2.针对输出误差滑动平均系统，为了提高辨识精度，提出了极大似然梯度迭代和基于有限数据窗的极大似然梯度迭代算法。迭代辨识能够充分利用系统数据，提高辨识精度。基于有限数据窗的极大似然梯度迭代算法具有辨识时变参数的能力。3.针对输入非线性有限脉冲响应滑动平均系统，研究了极大似然递推最小二乘算法和随机梯度算法。进一步，利用多新息辨识理论，提出了极大似然多新息随机梯度算法，该算法通过扩展新息长度，充分提取数据信息，有效提高辨识性能，能够提高随机梯度算法的收敛速度和参数估计精度。4.针对输入非线性输出误差滑动平均系统，研究了极大似然最小二乘迭代算法和基于有限数据窗的极大似然最小二乘迭代算法。与递推增广最小二乘算法相比，所提出的算法能充分利用系统数据，具有更快的收敛速度和更高的参数估计精度。5.针对输入非线性Box-Jenkins系统，由于辨识模型中包含线性动态子系统参数和非线性静态环节参数的乘积项。利用递阶辨识原理推导了递阶极大似然最小二乘迭代和梯度迭代算法。与过参数化方法相比，递阶辨识方法能直接辨识线性部分和非线性部分的参数，减小了计算量。