在过程工业中，仪表读数通常不总是遵守物料、能量等守恒约束，因此有必要使用数据校正技术对过程获取数据进行处理以保证数据的正确性。现场发现，过程变量的测量值经常会偏离真实值，仪表偏差和故障失灵是测量读数偏差的两个主要来源。工业过程泄漏和测量偏差被称之为显著误差。如果在存在显著误差的情况下，按照标准偏差来调整测量数据，使之满足物料、能量等平衡约束，那么所有的测量值必然都会受到显著误差的影响而不能正确地揭示工业过程的状态。所以，在对测量数据进行协调前，必须侦破、删除或者补偿显著误差。本论文主要研究稳态线性过程的显著误差检测和估计问题。主要研究内容包括如下几个方面：(1)提出了一种数据分类的两步矩阵投影算法。指出Crowe提出的矩阵投影算法在数据分类中存在由于投影矩阵不唯一，导致已测可校正数据分类不彻底的缺点。采用已测数据预分类的方法，对其进行了修正。在此基础上，将矩阵投影算法引入到了未测数据分类中，提出了基于矩阵投影算法的未测数据分类算法。新算法只需求解两个投影矩阵就可以实现所有数据分类，避免了常规方法在未测数据分类时求解未测数据关联矩阵绝对线性无关列的计算，提高了计算效率。(2)基于节点残差检验法(NT)和测量残差检验法(MT)，提出了一种应用于工业过程显著误差检测和数据协调的NT-MT合成检验法。新方法充分利用了NT和MT的优点，并且使这两种方法的不足之处得到了互补。在大规模工业过程检测中，当存在多个显著误差时，新方法有效避免了大量的人工组合和合成计算。顺序补偿策略被用在新方法中以避免迭代计算过程中关联矩阵降秩而发生奇异。(3)基于可传递信度模型，提出了综合多种传统显著误差检测算法的新方法。由于传统显著误差检测算法只是从某个方面采用统计学方法对测量网络做出诊断，无法体现出决策的可信度，并且无法对多种方法的诊断结果进行融合。新方法基于多种传统显著误差检测算法，提出了显著误差辨识框架子集上可信度分配策略，并进一步在此基础上利用可传递信度模型对各子集上的可信度分配进行合成，从而得到对各个测量数据的诊断决策。新方法中使用了迭代补偿的策略。实例考核结果证明了新方法的有效性。(4)提出了一个新的用于显著误差检测和数据协调的混合整数线性规划模型。Yamarura基于Akaike信息准则设计了一个显著误差检测与数据协调模型。但是，该模型在计算中，需要大量的组合，给计算带来了负担。因此，混合整数线性规划模型被提了出来，以减轻计算负担，增强模型的鲁棒性。但是该模型也因此失去了最大似然估计的优良特性。为了减轻计算量同时保持最大似然估计的特性，基于混合整数线性规划的框架提出了新的显著误差同步侦破和估计方法。该方法将显著误差检测和估计分解为一个新的混合整数线性规划模型和一个二次规划或者最小二乘估计模型。(5)无论是稳态过程显著误差检测还是动态过程显著误差检测，目前都没有找到高可靠性、高正确率检测方法。由此引出系统显著误差可识别问题的讨论。在综述文献显著误差可识别结果和等效集理论的基础上，对显著误差可识别问题进行了讨论，并提出了相应的显著误差可识别条件的判定方法。同时，提出了一种基于整数规划的显著误差最小势等效集的寻找策略。(6)在分析最小二乘法和数据校正数学模型的基础上，提出了基于迭代方差估计的测量残差检验法和基于迭代偏差估计的测量残差检验法。所提方法在迭代的过程中无须改变测量网络的冗余性。最后是全文的总结和展望。