数据缺失和不可观察是系统数据采集和处理过程中,因采样频率不一致、设备受限、环境恶劣等导致的问题,导致数据处理和分析结果产生偏差,对设计系统控制算法提供错误的数学模型。EM算法能在缺失数据的模式下,提高数据处理的质量,是系统建模和参数辨识的有效方法之一。基于卡尔曼滤波的EM算法(EM-KF)采用RTS平滑算法进行状态估计,估计结果更加精确,此算法应用广泛,如盲源分离等,然而现存对EM-KF算法的应用仅仅只是停留在对随机状态空间模型的应用上,这类应用面极为狭窄,实际的工业系统往往采用更一般的广义状态空间模型,更适用于输入信号进行控制。EM-KF算法不仅能处理数据缺失情况下的系统,并对具有输入数据的广义状态空间模型有良好的应用。本文将控制模型添加到随机状态空间模型中,研究广义的状态空间模型,针对采样数据缺失问题,对EM-KF算法进行改进,同时改进相关RTS平滑算法以适用新模型,并推导了改进的算法理论公式。本文对提出的算法进行了仿真,并应用于工业烘干机系统,该算法与子空间算法进行了仿真比较,辨识结果相对较好。进一步在不同比例的数据随机丢包情况下,验证了所提出的算法的有效性。