多输入多输出变量误差模型广泛应用于工业控制过程、航空航天领域、经济系统等领域。此模型比单输入单输出模型的结构复杂、维度大且待辨识参数多,造成其参数辨识的计算量大。采用递阶辨识原理,对多输入多输出模型进行分解,分别辨识每个子模型,可以有效减小算法计算量。此外,多输入多输出变量误差模型的最小二乘估计是有偏的。借助偏差补偿技术,对有偏估计进行补偿,可以得到参数的无偏估计。本文研究多输入多输出变量误差模型的参数辨识问题,结合递阶辨识原理与偏差补偿技术,以改进算法辨识精度为目的,建立新的参数估计算法。针对两类多输入多输出变量误差模型,分别建立最小二乘算法和部分耦合的最小二乘算法。分别考虑输入数据及输出数据均受白噪声干扰和输入数据受白噪声干扰、输出数据受有色噪声干扰两种情况,将系统分解成多个多输入单输出子系统,采用最小二乘算法分别辨识。利用子系统之间存在部分参数耦合的现象,当前子系统耦合参数的估计在上一个子系统的耦合参数最新估计值基础上进行校正,得到部分耦合的最小二乘算法。针对输入数据及输出数据均受白噪声干扰的情况,建立偏差补偿递推最小二乘算法。分析最小二乘估计的偏差项,推导偏差项与白噪声方差之间关系的表达式,得到偏差补偿最小二乘算法的整体框架;借助引入的零参数向量计算白噪声方差估计值;进而求解偏差项,构造偏差补偿递推最小二乘算法。数字仿真显示偏差补偿递推最小二乘算法精度最高,得到参数的无偏估计。针对输入数据受白噪声干扰、输出数据受有色噪声干扰的情况,建立偏差补偿递推最小二乘算法。分析研究偏差项与白噪声方差和有色噪声自相关函数之间的关系,推导偏差项表达式;利用引入的零参数向量和残差与准则函数之间的关系,构造求解白噪声方差和有色噪声自相关函数值的方程组;结合最小二乘算法和偏差补偿技术建立偏差补偿递推最小二乘算法。算法的数字仿真结果表明偏差补偿递推最小二乘算法得到参数的无偏估计,辨识精度高。