对于模块化Hammerstein模型,往往是在高斯噪声假设下使用最小二乘法等方法来进行辨识研究,对于工程中存在大规模离群点等复杂干扰的情况考虑不够,进而造成辨识困难,这类干扰在分布形态上表现出“尖峰重尾”的特征,可以使用重尾噪声对其进行描述,因此,重尾噪声下Hammerstein模型的参数辨识问题成为一个重要的研究方向。智能计算方法作为新的计算形态在系统辨识领域取得了不错的成果,可以有效解决传统辨识方法难以解决的对噪声的处理问题。因此,本文将智能计算引入到重尾噪声下Hammerstein模型参数的辨识问题中,具体内容如下:首先,针对单变量Hammerstein模型,采用BP神经网络拟合模型中的非线性模块,提出一种基于BP神经网络的Hammerstein模型结构,并推导出基于梯度法的误差反向传递学习规则;针对该模型,提出一种双层优化策略的参数辨识方法,采用带有随机飞行策略的布谷鸟算法作为外层循环以削弱重尾噪声的影响,并使用BP思想的反向传递作为内层循环用来对模型参数进行优化,通过带有混合高斯分布重尾噪声的辨识实验进行了验证。然后,针对多变量Hammerstein模型,使用泰勒级数逼近模型中的非线性部分,并提出一种混合模糊布谷鸟算法,通过设计模糊逻辑将非线性随机搜索算法引入布谷鸟搜索算法,同时使用模糊逻辑的输出改进布谷鸟算法的搜索步长,使用Levy飞行策略与非线性随机搜索策略来对削弱重尾噪声对系统辨识的影响,通过带有混合高斯分布重尾噪声与带有t分布重尾噪声的辨识实验对所提方法进行了验证。论文提出的基于BP神经网络的模型结构与多项式模型结构能够很好地对单变量与多变量Hammerstein模型进行描述;另外,相对于传统的Hammerstein模型参数辨识方法,论文提出的基于智能计算的双层学习策略与参数寻优算法能够更好地处理重尾噪声下Hammerstein模型的参数辨识问题。