数学模型是分析系统动态特性的基础。辨识技术是建立复杂系统数学模型的有效方法之一。在实际工业生产过程中,由于控制系统日益复杂,仅依靠系统输入输出信息的辨识理论在建模过程中发挥着越来越重要的作用。随机梯度算法是辨识理论中的一种经典算法,而现有的随机梯度辨识算法都是建立在一个参数向量的基础上。然而,对于复杂的动态系统,这种辨识方法会影响辨识算法的收敛速度和在计算机上的运算速度,并且,所得到的参数的辨识精度比较低。为了克服此缺陷,在经典随机梯度辨识算法的基础上,我们利用递阶辨识原理建立基于最新估计信息的多新息随机梯度辨识算法。本文的主要研究对象为方程误差类模型,包括方程误差模型、方程误差滑动平均模型、方程误差自回归模型和方程误差自回归滑动平均模型。主要的研究内容和结果包括以下几个方面。对四种方程误差类模型,利用递阶辨识原理,将随机梯度算法中一个参数向量分解成两个子参数向量,然后对每个子参数向量,分别采用随机梯度辨识算法进行参数辨识,从而提出了递阶随机梯度辨识算法。该算法通过拆分向量提高了算法的收敛速度。在上述递阶随机梯度辨识算法中,估计第二个子参数向量时,利用了第一个子参数向量上一时刻的估计值。但是,此时第一个子参数向量当前时刻的估计值是已知的。一般情况下,参数向量的当前时刻的估计更接近于其真值。因此,在递阶随机梯度辨识算法的基础上,我们充分利用最新的估计信息,针对四种方程误差类模型,提出了基于最新估计信息的多新息随机梯度辨识算法。对所提出的基于最新估计的辨识算法进行仿真研究,结果表明本文所提出的基于最新估计的辨识算法比已存在的多新息辨识算法有更快的收敛速度和更高的辨识精度。另外,我们也将所提出的基于最新估计的辨识算法推广到了多输入单输出系统的辨识。