大多数实际工业过程在一定程度上都呈现出非线性特性,使用线性模型来拟合系统的动态特性不一定能得到满意的效果,研究非线性系统的辨识方法已经成为必然趋势。双线性状态空间系统作为一类特殊的非线性系统,在形式上关于状态和控制分别是、但又不同时是线性的,具有明显的变结构特性,使得它在描述一些非线性的工业对象时表现出良好的控制性能。论文主要讨论双线性状态空间系统的参数辨识问题,具体研究工作如下:（1）针对传统的梯度迭代算法需要提前采集数据离线执行的问题,结合递推算法和迭代算法的思想,提出一种滑动窗梯度迭代算法（Sliding Window Gradient Iterative,SWGI）来辨识双线性状态空间模型。在SW-GI算法的每一组数据窗内,首先利用GI算法对批数据进行处理得到参数估计,随着数据窗向前移动,新的量测数据用来进一步更新参数估计。对于模型中未知的状态变量,设计双线性状态观测器来计算其估计值,并借助交互式估计理论推导了基于状态观测器的滑动数据窗梯度迭代算法,实现了双线性模型参数和状态的联合估计,通过数值仿真验证了算法的有效性。（2）获得参数的可靠范围是设计系统控制器的关键,然而目前的参数点估计方法难以评估参数的可信程度,针对该问题采用概率分布来描述参数的不确定性,在变分贝叶斯（Variation Bayesian,VB）框架下研究双线性模型参数的分布估计算法。该方法将模型中的未知参数视为随机变量,并给定参数相应的先验分布,从最大化量测数据边缘似然函数的下界出发来求解参数后验分布的最优近似解,进一步提出一种变增益卡尔曼滤波算法来估计系统的状态,推导了基于卡尔曼滤波的变分贝叶斯迭代辨识算法,并和基于状态观测器的辨识算法进行比较,通过数值仿真验证了所提方法能够有效提高参数的估计精度。（3）研究了具有Markov跳变时延的双线性状态空间模型的变分贝叶斯参数估计问题。针对不确定时延问题,采用Markov链来模拟时延之间的相关性。将未知的时延当做隐变量,利用VB算法引入自由分布来近似参数和时延的真实后验分布,将最小化自由分布与真实后验分布的距离问题转化为最大化量测数据边缘似然函数的下界问题,以迭代的方式不断最大化该下界来获取参数和隐变量的近似后验分布,结合提出的变增益卡尔曼滤波算法,实现了模型参数、时延、Markov链转移参数以及状态的联合估计。数值仿真和连续搅拌反应釜仿真的结果说明了算法的有效性。