在自动控制领域，系统辨识就是早期控制系统动态特性测试的延续。动态特性的测试，即通过试验得到系统的过渡过程曲线或频率特性曲线，在推算出系统的脉冲过度函数或传递函数[4]。现代的系统辨识则主要是由系统的输入输出直接求出动态方程式的结构和参数。辨识方法可以较好地解决系统噪声和测量噪声干扰的问题，可以处理多变量和非线性系统问题，而对于时变系统和分布参数问题，则可以在多级系统上做参数估计[5]。63908

由于动态特性测试方法直接得到的是非参数模型，而为了获得参数模型就必须探索应用更为普遍的参数估计方法。实际系统通过试验所获得的数据都包含有测量噪声，而模型的假定和简化等过程所引起的误差也可以理解为噪声，从受到噪声干扰的观测值中寻找最接近被测值的估计值，这一过程被称为参数估计。参数估计是系统辨识的基础部分，在此，他解释为在系统结构一致的情况下从系统的观测数据中找出最接近观测值的估计值。论文网

经典系统辨识方法的发展已经比较成熟和完善，包括阶跃响应法、脉冲响应法、频率响应法、相关分析法、谱分析法、最小二乘法和极大似然法等[6]。其中最小二乘法(Least Squares，LS)是一种经典的和最基本的，也是应用最广泛的方法。但是，最小二乘估计是非一致的，是有偏差的，所以为了克服他的缺陷，而形成了一些以最小二乘法为基础的系统辨识方法：增广最小二乘法(Extended Least Squares，ELS)、广义最小二乘法(Generalized Least Squares，GLS)、辅助变量法以及将一般的最小二乘法与其他方法相结合的方法，相关最小二乘法和多阶段最小二乘法等[7]。

随着系统的复杂化对模型精确度要求的提高，系统辨识方法在不断发展，特别是非线性系统辨识方法。主要有集员系统辨识法[8]、多层递阶系统辨识法[9]、神经网络系统辨识法[10]、模糊逻辑系统辨识法[11]和小波网络系统辨识法[12]等。