过程测量数据作为反映装置运行状况的特征信息，是实现计算机过程控制、模拟、优化和生产管理的基本依据。数据校正技术作为计算机集成过程系统的重要组成部分，是获得高质量过程数据的主要手段之一。深入开展过程数据校正技术的研究与应用工作，对更好地实现过程工业装置的优化控制与管理具有重要的理论意义和现实意义。 本文在综合分析现有测量数据校正技术研究进展的基础上，对整合数据校正的过失误差侦破策略进行了研究。首先对不等式约束条件进行数据校正方法进行探讨，并将其与统计检验方法相结合进行过失误差侦破，同时为进一步提高对多过失误差的侦破效率，研究了基于神经网络的过失误差侦破方法。主要研究内容如下： (1) 针对过程模型不确定的情况，采用不等式约束条件代替传统的等式约束条件，对不等式约束条件的数据校正方法及其实际应用进行研究。实例研究结果表明，与采用等式约束进行数据校正相比，不等式约束数据校正方法有着更广泛的应用范围，在有泄漏的情况下仍然能够进行准确的数据校正，而且根据校正结果可以计算出泄漏量的大小，对于过程模型不确定的情况可以得到比等式约束更合理的校正结果。 (2) 在采用不等式约束条件进行数据校正的基础上，对利用其校正结果进行过失误差侦破的方法进行研究，即依据校正后的结果构造检验统计量，然后进行过失误差侦破与识别。实例研究结果表明，将不等式约束条件的数据校正用于过失误差侦破，可以有效地减少过失误差在数据间的分摊作用，与基于等式约束的数据校正方法相比，在相同的置信度下，侦破误差的准确度要高，降低了出现第一类错误的概率。 (3) 提出了将不等式约束的数据校正与MT—NT(Measurement test-Node test)检验法结合的过失误差侦破策略。其基本思想是在进行每一轮的MT检验的时候采用不等式约束求解校正值，然后再进行NT检验。实例结果表明，将不等式约束条件应用在MT—NT检验方法中的策略是可行的，其侦破误差的检验迭代次数少于传统的MT—NT方法。 (4) 人工神经网络是一种模拟人脑思维、基于并行计算的大型非线性数据处理