过程建模是众多基于模型的先进控制和优化策略设计与实现的前提条件。过程不断增长的规模和复杂度使得建立工业过程的机理模型变的非常困难，甚至成为不可实现的任务。由于过程数据中包含了过程动态的丰富信息，基于过程数据辨识得到过程的数学模型已经成为复杂工业过程建模的主要手段。　　大部分实际的工业过程呈现复杂的非线性/参数变化特性，传统的线性模型无法描述过程的全局动态行为。线性参数变化系统的模型类以其线性结构和具有精确逼近复杂非线性/时变过程的能力得到了研究人员的广泛关注。目前，线性参数变化系统控制理论及其工业应用相关研究得到很大发展，然而线性参数变化系统辨识方法的研究成果却十分有限。诸如系统参数变化时滞、不确定量测时滞、不规则采样数据或多率数据、数据丢失、鲁棒参数估计等在实际工业过程中普遍存在的问题在线性参数变化系统辨识研究中还没有得到充分考虑。因此，本论文在考虑这些实际工业问题的前提下研究基于数据的线性参数变化系统辨识方法，具有重要的理论和实际意义。本论文的主要研究内容可以概括如下：　　研究了线性参数变化时滞系统的辨识问题。根据局部辨识思想，通过加权组合多个局部线性模型来构造系统的全局线性参数变化模型。首先考虑了系统具有参数变化时滞的情况，基于极大似然准则和期望最大化算法，提出了同时估计模型参数和参数变化时滞的递推辨识算法。接着，基于所有局部模型共有一个时滞参数的先验信息，进一步提出了具有定常时滞的线性参数变化系统模型参数递推辨识算法。　　研究了量测缺失下线性参数变化系统的辨识问题。采用输出插值策略组合多个局部线性模型来构造系统的全局线性参数变化模型。为了处理量测缺失问题，首先采用有限脉冲响应模型来描述系统的局部动态，利用先验信息构造了全局模型参数的先验分布，基于极大后验准则和广义期望最大化算法，提出了输出插值的线性参数变化有限脉冲响应模型参数递推辨识算法；基于辨识得到的有限脉冲响应模型，又进一步提出了输出插值的线性参数变化输出误差模型参数递推辨识算法。　　研究了具有不确定量测时滞的线性参数变化多率系统的辨识问题。基于局部辨识思想和期望最大化及其广义算法，同时考虑系统的参数变化特性和不确定量测时滞问题，分别提出了基于多率数据直接辨识快采样率线性参数变化有限脉冲响应模型参数和线性参数变化输出误差模型参数的递推辨识算法。　　研究了量测缺失下线性参数变化时滞系统的辨识问题。系统模型参数表达为调度变量当前时刻取值的多项式函数。基于极大似然准则和广义期望最大化算法，提出了基于不完整数据集同时估计线性参数变化模型参数多项式函数系数和时滞参数的递推辨识算法。通过使用辅助变量将线性参数变化模型写成了线性回归形式，从而避免了在辨识中处理后移算子与调度变量依赖项乘积的不可交换性和非线性数值优化问题，简化了辨识算法。　　研究了线性参数变化系统的鲁棒辨识问题。为了处理数据中的异常点，利用学生氏t-分布构造一个鲁棒系统模型。基于极大似然准则，提出了同时估计线性参数变化模型参数多项式函数系数、尺度参数和自由度参数的鲁棒递推辨识算法。在算法中，模型参数通过对一个加权的均方误差准则函数进行一步阻尼牛顿优化得到，由于在准则函数中对异常点自动设置了小的加权值，从而有效抑制了异常点对参数估计带来的负面影响；自由度参数的估计通过求解一个方程获得，其取值的大小反映了数据质量的好坏。