对系统本身有随机因素或量测带有噪声的系统的辨识和控制有重要的实际意义。当数据增多时，希望能适时地修正估计值，所以要求算法是递推的。该项目要求对多变量ARMAX系统不加限制性很强的严正实条件，对全部系数阵及驱动噪声的协方差阵给出递推估计。对它的阶的估计涉及优化一个时变指标，也要求递推地实现。对多维的Hammerstein及Wiener系统，甚至更一般且有实际意义的、包含动态非线性环节的随机系统，希望给出递推辨识算法。特别对输入、输出量测带误差(EIV)系统，甚至中间变量也夹杂噪声时的系统，也给出递推辨识算法。当数据增多时，要求所有算法以概率1收敛到被估的值。对Wiener及Hammerstein系统，要解决适应跟踪问题，并把结果扩展到更一般的非线性随机系统。对非仿射型但周期运行的随机非线性系统，给出迭代学习控制，使跟踪误差在平均意义下达最小。