作为一种从海量数据中提取有用信息和知识的有效手段，数据挖掘技术的应用越来越广泛。而数据预处理作为数据挖掘技术的关键，已经引起了信息产业界的极大关注。存在不完整、不一致和缺失数据是现实数据库的共同特点，尤其在软测量建模过程中，由于实际数据含有噪声、不完全、模糊等特性，因而所建的模型效果不是很理想。如何才能够得到高质量的建模数据，如何可以进一步的提高模型的精度，这是学者们通过数据处理来实现的一个目标和努力的方向。本文以数据挖掘技术为基础，开展了以下几个方面的研究：1、数据预处理的重要性不言而喻，数据挖掘过程离不开它的存在，通过数据预处理可以得到便于分析和处理的数据形式，这大大方便了学者们的工作和研究，也帮助他们节约了时间和空间。本文讨论了将数据探索也作为数据预处理的一种方法，通过数据探索对要处理的数据进行初步的研究，找出数据的特殊属性，从而选择合适的数据处理方法。2、DBSCAN算法是一种基于密度的空间聚类算法，它可以在带有噪声的空间数据库中处理任意形状和大小的簇，基于该算法能够检测噪声和异常点的特点，本文研究了将DBSCAN算法应用到软测量建模的数据处理当中。利用该算法对现场采集的数据进行清理，大大提高了样本数据的质量，从而为建模提供了可靠的数据，通过模型对比发现，经处理后的模型精度更高。3、卡尔曼滤波器是数字滤波中的经典方法之一，它在研究领域的各个方面都有很广泛的应用。近年来，已有学者将卡尔曼滤波模型应用到数据处理中，并取得良好的去噪效果。受此启发，本文将卡尔曼滤波器应用到软测量建模的模型校正当中，滤波器处理可以帮助消除模型预测数据中不理想的部分或降低其影响，这有助于提高软测量模型的精度和可靠性。