系统辨识是控制理论领域的重要分支,鲁棒辨识算法的研究越来越引起人们的关注。针对不同的实际生产背景,提高辨识算法的稳健性能,本文从方法的目标函数作为切入点,分别提出了三种鲁棒辨识算法,并进行了深入的讨论。对于线性系统辨识及非线性系统辨识,都具有很好的实际应用价值。　　 针对线性系统辨识,本文提出了基于近似最小一乘准则的辨识算法,既解决了最小一成准则不可微的缺陷,又弥补了最小二乘准则鲁棒性差的弱点;针对非线性系统的辨识,本文采用多层前向神经网络模型结构,基于动态综合目标函数的神经网络辨识算法打破了单一目标函数的限制,对于受尖峰无序噪声影响的非线性系统具有更好的逼近性能,同时保证了整个学习过程的快速性;基于综合目标函数的神经网络多新息辨识算法的提出可以更好的抑制随机噪声的干扰,平滑网络输出曲面,提高辨识的收敛速度,性能良好。本文三种辨识算法递推计算公式均由Gauss-Newton优化方法推导,计算简单、易于实现。与已有的辨识算法相比,本文算法鲁棒性强,性能良好。大量的仿真实验分别验证了辨识算法的优越性。