非线性系统辨识是控制理论研究的难点和热点。利用对角递归神经网络对复杂的非线性系统的模型进行辨识时,可通过调整内部神经元的权值来实现非线性系统的动态映射,表现出了很强的动态映射能力,同时使得网络权值调节的计算量很小。但是由于现有的用于训练对角递归神经网络的学习算法存在收敛速度慢、辨识精度不够理想的缺点,因此本文针对这一问题进行了探讨和研究。本文首先针对在对角递归神经网络中广泛采用的DBP算法的辨识误差较大且收敛速度慢的缺点,分别采用了Lyapunov函数算法和遗传算法作为改进算法训练对角递归神经网络。并对DBP算法、Lyapunov函数算法及遗传算法的辨识效果进行了比较,仿真结果表明基于Lyapunov函数算法的辨识误差和辨识精度都要优于DBP算法和遗传算法,其辨识误差最小,且收敛速度最快。其次,为了避免在Lyapunov函数算法中梯度大小对网络权值改变的影响,本文首次将一种局部自适应学习算法RPROP算法用于训练对角递归神经网络,该算法不受梯度大小对权值调整的影响,而只是决定网络权值的调整方向,该算法辨识精度高,能加速收敛,并在一定程度上克服了局部最小问题。然后,针对神经网络隐层节点数任要靠经验选取的问题,本文提出将RPROP算法与支持向量回归算法相结合的混合算法——RPROP-SVR算法,用于对角递归神经网络的训练,其中利用SVR算法自动确定网络隐层节点数,利用RPROP算法训练网络权值,并将这一新算法用于非线性系统辨识,取得了很好的辨识效果。最后,将基于RPROP算法与RPROP-SVR混合算法的辨识效果进行了对比,仿真结果表明,两种算法的辨识误差、辨识精度及收敛速度基本相同,这就证明了利用RPROP-SVR混合算法自动确定网络隐层节点数的有效性,说明该方法可替代人工试取的方式一次性自动确定出神经网络结构,从而可节省大量因人工试取隐层节点数而耗费的试验时间。