随着科学技术和经济水平的不断发展,大量的试验数据会被利用,但由于获取的是不同环境、不同时间、不同状态的试验数据,所以这些数据不能直接拿来使用,必须先对试验数据进行预处理,因此试验数据预处理方法研究是非常有意义的。本文针对时间序列试验数据、小子样试验数据、非时间序列试验数据这三类试验数据进行预处理方法研究,其中重点研究异常数据剔除方法、聚类分析以及离群点检测,并且通过相应的实例分析所提出算法的性能。对于时间序列试验数据,本文通过构造初始拟合数据,利用B样条曲线的方法构造递推模型,使用基于样条平滑方法估计的判断门限对双向检验的结果数据是否异常值进行判定,并且拟合修复满足修复条件的异常数据点,当双向检验的结果不同时,通过构造内推模型来进一步检验。实例分析表明:本文提出的方法相对其它方法能更有效地剔除异常数据,通过数据分段处理能更有效地检验那些可能产生阶段性跳跃的数据,使得模型具有更好的稳定性、更广的适用性以及相对更高的异常数据剔除率,具有较高的实际应用价值,是一套切实可行的异常数据剔除与修复方法。针对非时间序列试验数据,本文首先介绍了两种聚类算法的改进过程,并分别在实验数据集上测试算法的聚类效果并与其它算法进行对比分析,然后对两种改进的聚类算法分别从算法复杂度、聚类评价指标值以及算法运行时间方面进行对比分析,最后在此基础上提出基于聚类的离群点检测算法框架,通过在ODDS数据集的表现来对比分析。对于小子样试验数据,本文使用极大似然估计法先对原始数据进行分布拟合优度检验,确定其最优分布,然后针对不同分布采取不同的异常点剔除准则。最后,通过实例来展示小子样数据的异常点检测过程。