سیستمهای فضای حالت غیر خطی گسسته زمان از جایگاه ویژه ای در بسیاری از مسائل عملی نظیر تعقیب هدف، رباتیک، کنترل آماری و پیش بینی سری های زمانی برخوردار می باشد چرا که هر یک از مسائل مورد بحث را می توان با استفاده از یک مدل فضای حالت غیر خطی تشریح نمود. لذا مسئله شناسایی و کنترل این سیستمها اخیرا مورد توجه بسیاری از محققین قرار گرفته است. در این پایان نامه هدف بررسی کارکرد الگوریتم ماکزیمم سازی مشاهدات و فیلتر ذره ای در بحث شناسایی و کنترل سیستمهای غیر خطی فضای حالت می باشد . ابتدا مسئله شناسایی به صورت نوعی تخمین توام حالت و پارامتر تعریف می شود و سپس روشهای روی خط شناسایی بحث خواهند شد. در اینجا پس از مروری کلی بر روشهای تخمین حالت روی خط نظیر روش های مبتنی بر کالمن و الگوریتمهای ترتیبی مونت کارلو، روش روی خط ماکزیمم سازی مشاهدات معرفی خواهد شد. جهت بهبود دقت و سرعت همگرایی الگوریتم، از تلفیق روش گرادیان طبیعی بهره گرفته شده و عملکرد روش مورد بحث با الگوریتمهای دوگان مقایسه خواهد شد. قسمت دیگر این پایان نامه به شناسایی کور و کنترل سیستمهای فضای حالت می پردازد جایی که شبکه های عصبی شعاعی پایه و چند لایه به عنوان ساختارهای غیر خطی معرفی می شوند. هدف این بخش بررسی نحوه اعمال الگوریتم ماکزیمم سازی مشاهدات برای تخمین حالتهای مخفی و پارامترهای شبکه های عصبی معرفی شده می باشد. جهت این کار هموارسازهای ذره ای به عنوان ابزاری قوی جهت تخمین پارامتر معرفی می شوند. سپس نشان داده خواهد شد که چگونه می توان از تلفیق هموارساز ذره ای و الگوریتم ماکزیمم سازی مشاهدات به عنوان ابزاری قوی در شناسایی کور و کنترل مدل مرجع سیستمهای غیر خطی و غیر خوشرفتار بهره گرفت. در انتها نیز کاربرد روشهای پیشنهادی در تعقیب چند هدفه، آموزش شبکه های عصبی، تخمین حالت در سیستمهای غیر خطی، پیش بینی سریهای زمانی با فقدان داده و کنترل مدل مرجع سیستمهای غیر خطی بحث خواهد شد. نتایج شبیه سازی دقت و قابلیت مناسب الگوریتم ماکزیمم سازی مشاهدات را در مسائل شناسایی و کنترل نشان می دهد.