系统辨识是现代控制理论中的一个重要分支。现代化的过程工业中所应用到的控制技术极大部分都是建立在模型基础上的,辨识得到的模型的精度直接影响了后续控制器的设计,故而模型的选取及其参数估计的精度为后续的控制起着至关重要的作用。系统辨识作为实际工业过程中获得模型的重要手段,无论对学术研究还是工程实践都具有着突出的意义和重要的价值。大多数的实际工业过程并不是简单的线性结构,而是繁琐的非线性或变参数结构。原始的线性结构的模型很难描述出这些实际工业过程。线性变参数模型具有简便的线性结构,通过不同时刻的参数不同值来描述复杂的非线性时变系统,而且准确度良好。有限脉冲响应模型是输出数据只与历史输入数据有关的模型,模型的结构简单,在选取高阶次时,也可以有效的拟合实际数据。实际的工业过程中由于硬件限制、干扰等原因,会出现如异常点、定常时滞以及不确定时滞等种种问题,这些问题导致了数据质量下降。传统的辨识方法在应用到存在这些问题的数据集时,无法准确的估计出模型参数。本文主要基于线性变参数有限脉冲响应模型,考虑了实际工业过程中固有的异常点、定常时滞以及多速率采样下的不确定量测时滞情况,应用期望最大化算法,分别推导了针对这三种情况的全局辨识算法。本文主要研究了以下方面的内容:1.研究了线性变参数有限脉冲响应时滞模型全局辨识算法。考虑了系统中输出数据存在定常时滞的情况,采用高斯分布来描述干扰噪声,应用期望最大化算法,推导得到了可以同时估计出模型的未知参数值、噪声方差以及定常时滞估计值的全局辨识算法。2.研究了存在不确定量测时滞的线性变参数有限脉冲响应多速率采样模型的全局辨识算法。考虑了实际工业过程中经常出现多速率采样及不确定量测时滞情况,在期望最大化算法框架下进行辨识问题公式化,最终推导得到了可以同时估计出模型的未知参数值、噪声方差以及不确定时滞估计值的全局辨识算法。其中,时滞估计是通过计算每个输出采样时刻的时滞概率,并取概率为最大值的时滞数值为当前时刻的时滞。3.研究了线性变参数有限脉冲响应模型的鲁棒全局辨识算法。拉普拉斯分部是一种重尾分布,可以分解成无穷多个高斯分布的累加,因此可以用于描述不同质量的数据。在考虑输出数据中包含异常点的情况时,本文采用拉普拉斯分布来描述干扰噪声,应用期望最大化算法,推导得到了可以同时估计出模型的未知参数值以及尺度参数值的鲁棒全局辨识算法。在算法中,对不同输出数据添加不同的权重系数。当数据为异常值时,权重很小,从而减弱了该异常值对辨识参数的影响。4.应用数值例子和连续搅拌槽反应堆系统例子进行仿真,来验证提出算法的可行性。在仿真过程中基于matlab编程实现辨识算法,包括数据的生成,系统的辨识以及模型的检验。其中,模型的检验是通过计算未知参数的迭代估计值是否趋近于真实值、输出数据自我验证以及交叉验证的误差百分比是否满足误差允许范围,进而来判断辨识算法的优劣。