对产品质量的日益重视、环境问题的日益关注以及市场经济竞争的日趋激烈使得化工企业必须快速的发展并且能以最小的成本获得最大的收益。生产决策者决策的依据来源于对生产过程实际状态的了解,而生产过程实际状态的获取是通过采集数据得到的。但由于测量数据中经常包含各种类型的误差,这些误差的存在会使对生产过程的控制出现偏差,严重时甚至会导致生产事故,因此必须对测量数据进行数据校正以获得生产过程的真实操作状态。测量误差一般包括随机误差和显著误差两种,数据校正技术主要是利用数据的冗余型去消除这两种误差以保证数据的有效性。本论文针对数据校正技术中仍然存在的问题进行了研究,并在以下几个方面取得了进展：1.在显著误差检测与识别方面,介绍一种广义似然比法(generalized likelihood ratio,GLR)与节点检测法(nodal test, NT)组合的显著误差检测和稳态数据协调方法,充分发挥了GLR法和NT法的优点。仿真结果显示,该方法对多显著误差特别是误差幅度较小或出现节点大显著误差相互抵消的情况具有较好的性能,优于单独的GLR法和NT-MT法,一实例表明了算法的有效性。2.在动态数据协调方面,提出一种基于约束强跟踪滤波器(Constrained strong tracking filter, CSTF)的动态数据协调方法。将强跟踪滤波器用于动态数据协调,同时将代数约束嵌入强跟踪滤波器。针对大系统动态数据协调,提出一种自适应的动态数据协调策略,进一步减少了协调计算时间。两个实例仿真验证了算法的有效性和优越性。在动态显著误差检测与处理方面,将马氏距离法和滑动窗口法结合起来形成应用于基于约束强跟踪滤波器的动态数据协调方法中,使得新的动态数据协调方法既能处理随机误差又能处理显著误差。一实例仿真证明了算法的有效性。3.在数据分类方面,提出一种基于广义逆矩阵的未测数据分类算法,新算法只需求解未测变量系数矩阵的广义逆矩阵与其本身的乘积就可以对未测数据进行分类,分类方法简单易于实现。对己测变量的分类仍然采用投影矩阵法并将其与数据协调算法结合起来,得到综合的数据协调策略。理论推导证明此方法能够实现对未测数据的彻底分类,两个示例验证了新算法的有效性。