近年来,数据驱动的建模方法已成为非线性系统辨识领域研究的重要课题。与传统理论建模方法相比,数据驱动建模不依赖于先验知识,可以直接从实验或仿真数据集中直接恢复控制方程,特别适用于分析含噪声因素影响的强非线性系统数据集。本文在研究人员近期广泛采用的稀疏辨识非线性动力学算法（SINDy,Sparse Identification Nonlinear Dynamics）基础上,提出两种数据驱动的建模方法。一种方法是适用于常微分方程系统的局部稀疏筛选辨识算法（LSSI,Local Sparse Screening Identification）,该方法将局部线性嵌入（LLE,Local Linear Embedding）、SINDy算法和均值误差筛选算法（MES,Mean Error Screening）相结合,有效地提高原有SINDy方法的适用性和辨识精度。另一种方法是适用于偏微分系统的交替岭回归辨识算法（ARRI,Alternate Ridge-regression Identification）,将交替向量乘子法（ADMM,Alternating Direction Multiplier Method）、帕累托前沿分析（Pareto front）和岭回归算法（Ridge-regression）相结合,有效地解决了计算过程中稀疏系数多解和基函数选取等复杂问题。本文的主要研究内容与科研成果体现在以下几个方面:首先,提出分析常微分方程问题的LSSI算法。该方法通过LLE算法完成数据滤波过程,基于无噪声时间序列借助SINDy算法完成其在坐标空间中的向量稀疏,继而确定非线性项系数。通过MES算法对于计算过程中产生的多解问题进行优化处理,获得最优稀疏系数,从而构造控制方程。相比于传统方法,其优势在于:摆脱了算法对于经验参数的依赖性,有效地解决了稀疏系数向量的多解问题,扩大了SINDy算法的适用范围,提高了求解问题的计算效率以及精度。其次,利用LSSI算法辨识不同类型的典型非线性系统方程并与SINDy算法进行对比,以验证新算法的计算精度和鲁棒性。作为实际应用,以一类薄膜结构电磁式振动能量采集器为研究对象,利用LSSI算法辨识系统中的隐含非线性成分,完善传统理论建模结果,使其接近真实系统。最后,提出分析偏微分方程的ARRI算法。该方法将ADMM算法与Pareto front分析相结合,实现了自动获取最优的基函数组组合,从而解决了原有SINDy算法中基函数组筛选的难点问题,提高了分析问题的效率。作为应用,对一类典型的PDE模型进行分析,从含噪声的仿真数据中快速恢复控制方程。