在传统闭环结构辨识中,为获得满足可辨识性的数据,一般需要施加外部测试信号,然而,在实际工业过程中,在过程中施加测试信号必然会增加辨识成本,甚至会影响工业过程正常运行。针对施加额外测试信号的缺点,本文利用过采样闭环结构无需施加任何额外测试信号的优点,并与适应性强、辨识精度高的贝叶斯变分法结合,提出适用于不同噪声环境及不同模型情况下的基于过采样闭环结构的贝叶斯变分辨识方法。首先,针对在白噪声、复杂噪声情况下线性模型的辨识,在过采样闭环结构的基础上,推出基于过采样闭环结构的贝叶斯变分法。基于过采样闭环结构的贝叶斯变分法不仅克服传统闭环结构辨识的不足,而且具有更高的辨识精度。同时通过分析模型估计的渐近方差表达式,得到过采样结构辨识在输出噪声被脉冲噪声或尖峰噪声污染时可利用外加噪声中的高频信息提高辨识精度。然后,在基于过采样闭环结构的贝叶斯变分法的基础上,提出适用于多变量非线性模型辨识的基于过采样闭环结构的多变量贝叶斯变分法。与基于过采样闭环结构的贝叶斯变分法类似,基于过采样闭环结构的多变量贝叶斯变分法也具有拓宽可辨识性、辨识精度高的优点。同时为使贝叶斯变分法在有色噪声情况下也可适用,对原始贝叶斯变分法加以改进,推出基于过采样闭环结构的多变量限幅贝叶斯变分法。最后,针对被异常值污染的一类过程对象辨识,利用学生分布噪声描述含有异常值的噪声分布,提出一种适用于学生分布噪声情况下的贝叶斯鲁棒辨识方法,并且将贝叶斯鲁棒辨识方法与过采样闭环结构相结合,推出基于过采样闭环结构的贝叶斯鲁棒辨识方法。基于过采样闭环结构的贝叶斯鲁棒辨识方法不仅在异常值影响较小时具有更小的辨识误差,而且在异常值影响较大时仍保持较高的辨识精度。