可分离非线性模型,通常可表示成一系列非线性函数的线性组合形式,这类模型广泛应用于机器学习、系统识别、信号处理、时间序列分析等诸多领域。针对这一特殊结构的非线性模型的参数估计问题,产生了大量以批量数据处理为特点的离线学习算法,如交替的最小二乘（ALS）算法、联合优化（Joint）算法、变量投影（VP）算法等。然而,随着信息技术的快速发展和互联网应用的日益普及,数据的产生速度越来越快及对在线实时估计的需求越来越迫切,使得传统的离线学习算法无法适应这类场景下的参数更新模式,而递推辨识算法可以实时的接受新数据,动态的调整模型本身。因此,在信息时代的背景下,对递推辨识算法的研究尤为重要。本文针对可分离非线性模型的递推辨识算法主要做了三个方面的研究:i)递推辨识算法的推导;ii)递推辨识算法的收敛性分析;iii)验证提出算法的有效性。具体而言,本文的研究工作和创新成果如下:1)混合递推的Levenberg-Marquardt（HRLM）算法是一种交替极小化的参数优化方法,为了提高算法的收敛效率,在非线性参数更新过程中,基于已有参数信息充分利用的基础上,本文提出了RLM-RLS算法,即先用RLM算法更新模型中的所有参数,再用RLS算法更新线性参数。2)VP算法是解决可分离非线性最小二乘问题的一类高效算法,由于它是一种离线算法,无法适应时变系统或现实中不断产生“新”数据的情形,因此本文将VP算法和RLM算法相结合,提出了一种新的递推辨识算法——RVP算法。该算法在每次迭代的过程中,先消除目标函数中的线性参数,然后利用RLM算法更新非线性参数,最后在非线性参数更新的基础上,用RLS算法更新线性参数。同时,本文对RVP算法的收敛性进行了统计分析,得出该算法的参数估计误差是均方有界的。数值实验表明,在用RLM/RLS算法辨识非线性/线性参数的过程中加入VP步,能够提高模型的辨识精度。RVP算法的另一个优点是,与RLM-RLS算法、RLM算法和HRLM算法相比,它能更好的适应时变系统,对初始值具有更强的鲁棒性。