非线性系统辨识是自动控制领域中亟待解决的热点问题,最小二乘法和极大似然等传统辨识方法只能处理线性系统的参数辨识问题,对于非线性系统并不适用。当采用迭代法、随机搜索法等非线性最小二乘法辨识这类模型参数时又容易陷入“维度灾难”,导致辨识结果的稳定性较差。智能优化算法作为一种自组织、自协作且高度并行的全局优化算法,对这类缺少梯度、连续性、凸性特征的复杂问题模型提供了良好的解决方法。在众多智能优化算法中蝙蝠算法因为其结构简单、全局搜索能力强,引起了学者的广泛关注。但是基本的蝙蝠算法存在种群初始化简单、前期收敛精度低、后期易陷入“早熟收敛”等缺陷。为了提升蝙蝠算法的寻优能力,本文提出将反向学习策略引入蝙蝠算法对算法的寻优方式进行改进,并设计出一种动态递减的柯西变异机制帮助算法跳出局部极值,测试函数证明了本文提出的反向学习和柯西变异蝙蝠算法(OCBA)具有更高的收敛率和收敛精度。传统的参数辨识方法通常建立在白噪声或基于高斯分布的有色噪声基础上,而实际工业过程中出现的包含较大离群点干扰的重尾分布噪声对已有的辨识方法提出了新的挑战。在已有的非线性模型中Hammerstein模型可以用来描述大多数实际非线性过程,针对重尾噪声干扰下的此类模型目前还没有形成统一的辨识方法。本文提出使用改进的OCBA算法处理此类模型的参数辨识问题,成功将辨识问题转化成参数的寻优问题,仿真实验证明了本文提出的辨识方法具有较好的辨识效果。神经网络是实现非线性函数逼近的一种有效手段。针对MIMO Hammerstein模型复杂非线性环节难以参数化的问题,本文提出使用RBF神经网络构建非线性环节,并利用一种带柯西变异的多agent蝙蝠算法(CMBA)同时寻优RBF网络参数和Hammerstein模型的线性环节参数实现了 MIMO Hammerstein模型非线性和线性环节参数的同步辨识,仿真实验证明了本文提出的CMBA-RBF方法在辨识这类模型参数时具有更强的鲁棒性。