Este documento se ocupa de la estimación de parámetros de sistemas no lineales en tiempo discreto a partir de mediciones de estado ruidosas en forma de espacio de estados. Se propone un novedoso algoritmo de optimización convexa bayesiana escasa para la estimación y predicción de parámetros. El método considera completamente el método de aproximación, el antes y después de los parámetros, y agrega aprendizaje y optimización bayesianos escasos para modelar explícitamente. A diferencia de los métodos de identificación anteriores, el principal desafío de identificación reside en dos aspectos: primero, se obtiene una nueva función objetivo mediante nuestro método de aproximación de Stein mejorado en el problema de optimización convexa, para capturar más información de la aproximación de partículas y convergencia; segundo, se desarrolla otra función objetivo con regularización, que es un método escaso basado en la estimación recursiva de mínimos cuadrados. En comparación con el estudio anterior, la nueva función objetivo contiene más información y puede extraer fácilmente información importante de los datos crudos. Se presentan tres ejemplos de simulación para demostrar la efectividad del algoritmo propuesto. Además, se analizan las actuaciones de estos enfoques, incluida la estimación de parámetros del error cuadrático medio (), la esparcidad de los parámetros y la predicción del estado y el resultado de salida.