系统辨识与模型参数估计是控制问题的基础。非线性系统辨识是当前辨识领域的研究热点。由于在信息传输过程中存在数据的丢失，硬件设备的限制及环境因素的改变等都会导致不规则采样，呈现多采样率特性。本文借助关键项分离技术、辅助模型辨识思想以及递阶辨识原理研究这类多采样率非线性系统的辨识问题，选题具有理论意义和应用价值。论文的具体工作如下。1.针对双采样率输入非线性输出误差系统，应用辅助模型辨识思想，推导了辅助模型递推最小二乘算法，进一步采用鞅收敛定理对算法进行了收敛性分析。为了提高随机梯度算法的参数估计精度、加快收敛速度，利用多新息辨识理论，提出了双采样率系统的辅助模型多新息随机梯度算法。2.针对非均匀采样输入非线性输出误差系统，利用辅助模型思想推导了梯度迭代算法，为了加快收敛速度提出了最小二乘迭代算法。进一步，利用辅助模型输出代替模型中未知中间变量，推导了相应的辅助模型递推最小二乘算法，并分析了该算法的收敛性。3.针对非均匀采样输入非线性输出误差自回归滑动平均系统，利用辅助模型估计系统不可测的中间变量，提出了基于辅助模型的递推广义增广最小二乘算法。为了减少计算量和提高计算效率，基于递阶辨识原理，将系统分解为多个维数较小的辨识子模型，推导出多阶段递推最小二乘参数估计算法。4.研究了一类非均匀采样的信号建模问题。针对信号基频已知和基频未知两种情况，推导了估计信号模型参数的梯度迭代算法。利用递阶辨识原理，从降低协方差矩阵维数的角度出发，提出二阶段递推最小二乘算法。进一步推导出多新息随机梯度算法，该算法通过扩展新息长度，充分提取数据信息，有效提高辨识性能。综上，论文研究和推导了双采样率和非均匀采样输入非线性类系统以及信号模型的几种参数估计方法，并对几个典型算法通过计算机Matlab仿真进行验证。