统计能量分析(SEA)是进行高频动力学响应预示的有效方法，在航空航天、车辆、船舶潜艇、建筑等各领域得到了广泛的应用。而SEA方法预测结果的可靠性主要取决于是否能够正确的估计SEA参数。鉴于此，本文提出了一种结合快速特征系统实现算法(FERA)、卡尔曼状态观测器(OKID)与小波包降噪的OKID/FERA参数辨识方法。首先，给出了稳态功率流模型与基于瞬态功率流平衡方程的状态空间模型，及两种典型的稳态与半稳态统计能量分析的参数辨识方法，即功率输入法(PIM)与特征系统实现算法(ERA)。以此为基础，提出了半稳态统计能量分析的OKID/FERA辨识算法，利用OKID算法获得其辨识所用到的Markov参数，并通过对测量信号进行小波包分解与重构达到降噪的目的。利用辨识得到的特征值与特征向量，结合优化约束的思想提出优化问题，推导出SEA的修正公式，对初始的统计能量分析模型进行修正。其次，通过数值仿真对比FERA与ERA辨识不同维数块矩阵和不同子系统数目模型的结果，验证了FERA的快速性与准确性。利用仿真对比OKID/FERA通过降噪前后的信号辨识二子系统模型参数的结果，验证了OKID/FERA的正确性，以及小波包降噪的有效性。对小卫星结构进行类似的仿真，得到了比较满意的结果。最后，利用OKID/FERA对直接弯折的L型板进行SEA的参数辨识，通过测量得到的数据获得实验试件实际的输入功率与响应能量，利用OKID/FERA得到试件的辨识模型，并基于模型修正理论获得实验试件的SEA参数，与功率输入法进行对比分析，两种方法结果的一致性进一步证明了本文算法的正确性。