在众多的工程实践中,由于离群点或脉冲干扰的存在,系统所受到的随机噪声干扰往往呈现出重尾分布,即重尾噪声。研究表明,传统的基于高斯噪声假设的参数估计算法在重尾噪声中将会出现性能上的严重下降或根本无法使用,因此如何针对重尾噪声设计相应的鲁棒参数估计算法具有重要的理论意义与实践价值。本文根据不同类型的随机系统,以重尾噪声为背景,针对一些典型的模型结构研究并提出了相应的鲁棒辨识方法,所做的具体工作如下:1.回顾了系统辨识的发展历程,归纳并总结了国内外学者对于参数估计类问题的研究现状。介绍了包括用于描述随机系统的基本模型类、常用的系统辨识输入信号、典型的重尾分布噪声等在内的与本课题相关的基础知识。2.针对一类受到重尾噪声干扰的输出误差滑动平均系统,首先给出了一种基于迭代再赋权重相关分析法的鲁棒辨识方案,并针对该算法中权重函数在鲁棒性及可靠性上的缺陷,通过使用Tukey m估计对权重函数进行改造,从而提出了一种改进算法,该算法可将一定区域内的离群点完全滤除,因此提高了参数估计的鲁棒性,通过仿真实验给出了改进前后的算法在参数估计精度上的差异。3.对于一类存在重尾噪声干扰的多变量Box-Jenkins系统,通过子模型法对其进行分解,并针对分解后得到的若干多输入单输出系统,提出了一种迭代再赋权重的广义增广最小二乘算法,通过构造增广的参数向量和信息向量,该算法可以将系统模型和噪声模型的参数同时辨识出来。对于重尾噪声的处理,该算法在迭代的过程中引入了基于Hampel m估计的权重函数,通过选取合适的门限参数值,可以使所提出的算法在对重尾噪声具有鲁棒性的同时,在高斯噪声中也能发挥作用,仿真实验证明了该算法的有效性。4.针对一类典型的块状非线性Hammerstein系统,在极大似然框架下研究了当噪声为重尾的混合高斯分布时的鲁棒迭代辨识方法。通过使用最大期望算法对含有隐变量的似然函数进行求解,可以在保证迭代收敛的同时有效削弱重尾噪声的影响,该方法不但可以辨识出非线性模型的参数,还可以辨识出噪声分布函数的参数。最后通过仿真实验对比了相关算法在参数估计性能上的差异。