非线性系统辨识一直是过程控制领域中的热点问题。而模块化模型作为非线性模型的一种,便于操作,能够有效拟合实际生产系统,因此常用于非线性系统辨识中。考虑到智能计算领域近年来发展飞快,成功解决了诸多非线性系统辨识问题,本文主要针对两种典型的模块化模型:Wiener模型和Hammerstein模型,结合智能优化算法和神经网络来研究具体辨识方案。主要内容包括:(1)针对标准粒子群优化算法(PSO)易早熟收敛等缺点,通过引入早熟收敛程度评价指标,将种群分类后对其位置进行自适应调整,提出了一种改进的粒子群优化算法(MPSO)。针对标准飞蛾优化算法(MFO)横向定位机制的低效性,将高斯混合分布思想引入其位置更新和种群初始化中,提出了一种新型的高斯混合飞蛾优化算法(GMFO),并通过测试函数证明了其有效性。(2)针对Wiener模型进行研究,线性模块用动态线性神经元来表示,非线性模块分别用BP神经网络和RBF神经网络来逼近,将模型表达成串联的网络结构。将双层优化策略应用到辨识中,内层学习采用BP算法,而外层学习采用MPSO算法,之后通过对CO2浓度系统的辨识证明了辨识方案的有效性。(3)研究SISO Hammerstein模型,利用函数连接型神经网络(FLANN)来表示非线性模块,通过将均方误差(MSE)定为评价指标,利用提出的GMFO算法对FLANN-IIR结构进行训练,很好地结合了 GMFO算法的计算能力和FLANN的非线性拟合能力。最后通过几组实例证明了方法的有效性。(4)研究重尾噪声影响下的MIMO Hammerstein模型辨识问题。考虑到传统辨识算法受到重尾噪声干扰可能会失效,而GMFO算法中的高斯混合飞行策略能够有效应对重尾噪声中离群点的干扰,我们将静态非线性模块用RBF神经网络来拟合,利用GMFO算法将RBFNN的训练和线性部分的参数辨识同步进行。最后实验证明了辨识方案的有效性和对离群点的鲁棒性。