随着对非线性现象研究的日益深入,非线性模型的辨识问题日益凸显。双线性参数系统的模型特征是含有双线性项,由两个参数向量和一个信息矩阵的乘积组成。作为一种特殊的非线性系统,双线性参数模型在一定程度上兼顾了非线性模型的灵活性和线性模型易控制的优点。因此研究这类系统的辨识方法具有理论和实践意义。迭代辨识方法是一类批数据处理方法,可以充分利用观测信息,从而有效改善辨识效果。本文研究双线性参数系统的迭代辨识方法,其主要内容如下。（1）对于双线性参数系统,其辨识难点在于系统输出与参数存在双线性关系,导致参数不可辨识,因此需要规范化双线性参数。基于此,针对一类双线性参数方程误差系统,借助于过参数化模型,提出了基于过参数化的梯度迭代辨识算法和基于过参数化的最小二乘迭代辨识算法。为了提高算法的辨识效率,基于分解原理,推导了基于过参数化的分解最小二乘迭代辨识算法。此外,利用递阶技术将双线性参数向量划分到不同的参数集中,提出基于分解的递阶迭代辨识方法,避免了冗余参数的估计同时降低了算法的计算量。（2）针对双线性项,提出了一种新的分离其双线性参数向量的方法,将系统的输出表示成所有未知参数的线性组合,推导了基于参数分离的梯度迭代辨识算法和基于参数分离的最小二乘迭代辨识算法。由于双线性参数输出误差系统模型含有分式结构,在线性化过程中会产生的未知中间变量,基于此,结合辅助模型辨识思想将双线性参数方程误差系统的辨识方法推广到双线性参数输出误差系统。（3）考虑有色噪声干扰下的双线性参数系统,引入数据滤波技术,提出基于分解的递阶滤波梯度迭代辨识算法和基于分解的递阶滤波最小二乘迭代辨识算法,减少了噪声干扰对辨识结果的影响。此外,在输出变量概率密度函数已知的条件下,借助于极大似然估计原理,构造以参数向量为自变量的似然函数,通过极大化其对数似然函数,推导了极大似然梯度迭代辨识算法和极大似然最小二乘迭代辨识算法。（4）针对一类含有双率采样数据的双线性参数方程误差系统,即系统的部分输出数据是缺失的,利用参数分离方法推导其基于双率采样数据的辨识模型,根据已有的观测信息,结合粒子滤波和核密度方法估计其未知输出,推导了基于参数分离的粒子滤波梯度迭代辨识算法和基于参数分离的粒子滤波最小二乘迭代辨识算法,实现了未知输出和模型参数的联合估计。综上所述,本文首先针对双线性参数方程误差系统的辨识问题,从线性化双线性项的角度出发,提出基于过参数化辨识模型、基于分解递阶辨识模型和基于参数分离辨识模型的迭代方法,并结合辅助模型以及粒子滤波将结果推广到双线性参数输出误差系统和双率双线性参数方程误差系统,最后利用数值仿真说明了辨识方法的有效性。