Na área de identificação de sistemas, os modelos de entrada-saída NARMAX são de grande interesse. A tarefa mais desafiadora quando se trabalha com esses modelos é a seleção da estrutura adequada do modelo que melhor represente o sistema subjacente aos dados. Normalmente, essa seleção de estrutura é feita por meio do algoritmo OLS/ERR. Esse algoritmo sofre com a maldição da dimensionalidade quando são requeridos alto grau de não linearidade e dependências de longo prazo. Ademais, algumas não linearidades necessitam de funções ou termos específicos na estrutura do modelo para serem reproduzidas, i.e., o comportamento de histerese. O algoritmo OLS/ERR pode deixar esses termos fundamentais fora da estrutura selecionada. Portanto, essa dissertação propõe uma estrutura híbrida MGGP/ERR para realizar a identificação até nos casos em que são requeridas funções específicas. O algoritmo é usado para identificar um sistema de teste estocástico excitado por entrada suave, um sistema de bombeamento hidráulico e um sistema histerético (atuador piezoelétrico). Os resultados mostram que a hibridização é benéfica em comparação com o MGGP tradicional. Além disso, o algoritmo é capaz de identificar histerese. Uma toolbox nova e fácil de usar baseada em Python foi desenvolvida e está disponível sob Licença Pública Geral.