系统辨识在现代工业领域和非工业领域都发挥着十分重要的作用。在众多传统的辨识方法中,随机梯度辨识算法因为舍去了对协方差矩阵的运算,能够极大的减少计算量。然而,由于随机梯度算法不能充分利用可测得的信息,导致收敛速度慢,辨识精度低等问题。本课题为解决这些问题,对随机梯度辨识算法进行了改进。将最新估计方法、递阶辨识原理和辅助模型思想应用于随机梯度辨识算法中,提出了基于最新估计的递阶随机梯度辨识算法,并将新算法应用于对输出误差模型的参数辨识。针对输出误差模型和输出误差滑动平均模型,结合辅助模型思想,得到基本的辨识模型。应用递阶辨识原理于辨识模型中,通过选取合适的分层方法,得出递阶随机梯度辨识算法。对于输出误差滑动平均模型,在递阶随机梯度辨识算法的基础上,采用最新估计的方法用最新的参数估计值去更新噪声的估计值和辅助模型的输出值从而得到了最新估计的递阶随机梯度辨识算法。针对输出误差自回归模型和输出误差滑动平均自回归模型,利用最新估计方法对传统的随机梯度辨识算法进行改进。根据输出误差自回归模型和输出误差滑动平均自回归模型的特点,构造一个中间变量进行辅助辨识,得到基本的辨识模型。在辨识模型的基础上,应用递阶辨识原理和最新估计方法推导出了基于最新估计的递阶随机梯度辨识算法。针对四种输出误差模型,对提出的最新估计的递阶随机梯度辨识算法进行了MATLAB仿真,结果表明与传统的辨识算法相比,本论文提出的辨识算法能够更好的跟踪系统的参数,辨识精度和收敛速度都有明显的提高。