现代工业过程中,准确可靠的测量数据是生产决策制定,过程控制与优化,操作分析与改进的基础,然而,在实际的生产过程中,由于测量偏差、传感器或者仪表失灵以及由于管道泄漏等原因造成测量数据中不可避免的存在随机误差或者显著误差,严重影响测量数据的准确性和可靠性。数据校正就是利用一定的算法对测量数据进行处理,避免各种误差的影响,得到一组中既满足化工过程的物料平衡、能量平衡等物理或者化学规律又合理且接近真实值的协调值。本文针对数据校正中的鲁棒校正算法以及显著误差检测算法进行研究分析,并对它们的局限性进行了改进,主要研究内容如下：(1)M估计的研究：分析了鲁棒估计特性及其在数据校正中的应用,研究了鲁棒估计中的极大似然估计的构造条件,提出了一种新的鲁棒估计函数LnRLS,新的鲁棒估计函数不但满足极大似然估计的特性,而且具有较强的鲁棒性和稳定性。(2)误差分布的研究：分析了Tjoa和Biegler提出的污染正态分布模型的鲁棒特性,及其在双线性约束过程中的应用,然而该模型在实际应用中存在一定的不足：需要估计显著误差的方差和污染率,校正范围有限,而且稳定性较差。根据高倩的鲁棒自适应分布模型,通过改进得到了一种新的鲁棒自适应分布模型,新模型克服了污染正态分布模型的缺陷,而且对各种幅度的显著误差都具有良好的抑制性。(3)泄漏误差的研究：分析了NT和GLR两种显著误差检测算法的优缺点,取长补短,提出了"NT-GLR"联合检测算法,新算法不仅有效地避免了NT无法定位以及GLR计算复杂,容易误判的缺点,还可以检测出由于管道设备泄漏等原因造成的显著误差,并做了实例验证。(4)工业实例的研究：对某焦化公司的甲醇工艺流程进行建模和分析,使用文中提出的LnRLS的鲁棒估计,基于两步法的思想,实现了对工业采集数据中的总流率和组分组成良好的数据协调。