随着现代工业的飞速发展，以冶金、石油、化工为代表的流程工业对过程控制系统的控制精度、响应速度、稳定性和鲁棒性提出了更高的要求，导致实际过程控制系统的发展规模越来越大，复杂程度越来越高。为了应对这种挑战，科研人员从过程数据出发，寻求各种基于数据的控制策略、建模方法以及优化算法等，并逐渐形成基于过程数据的研究成果和实用方法，使得过程数据成为过程控制领域至关重要的研究对象。随着过程数据重要性的不断提高，其数据的质量成为新的受关注热点问题，因为其直接影响数据在过程控制领域的应用前景。　　在此背景下，本文在深入分析过程数据的特点以及控制过程结构的基础上，提出一系列针对过程控制数据的异常值检测的方法。主要研究内容归纳如下:　　首先，针对过程控制系统结构特点以及过程数据的应用方式，制定出异常数据检测算法的性能指标，提出了异常数据定义以及数学模型，并以此数学模型为基础提出了过程数据的异常值检测框架，使得在此框架下研究的异常数据检测算法能够满足过程数据在控制领域的应用要求。　　其次，依据提出的基于模型的异常值检测思想，结合过程数据特点，研究鲁棒的数据建模方法:对于非线性较弱的控制过程，提出了具有双重迭代结构的AR模型学习算法，以解决在线同时确定阶次和模型系数的问题，并针对传统AR模型学习算法易受异常点影响的问题，提出了带有反馈环节的AR模型鲁棒学习算法;对于非线性较强的控制过程，在指出传统RBF网络学习算法对异常数据较为敏感的情况下，提出带有反馈环节的鲁棒RBF网络学习算法。仿真实验证明了所提出的各种改进的建模方法具有较好的应用效果和实用价值。　　再次，在鲁棒模型基础上，本文从两方面研究基于模型的异常值检测算法:其一是统计思想，为避免事先设定检测阈值，提出利用随机模型——HMM模型检测异常数据，分别形成研究成果为:基于ARHMM的异常数据检测算法以及基于鲁棒建模的HMM异常数据检测算法;其二是小波变换的思想，针对传统小波检测方法的不足，提出鲁棒建模与小波变换相结合的异常值检测方法。实验仿真结果验证了上述异常值检测算法均具有良好的有效性和实用性。　　最后，针对过程数据中同时存在异常数据和突变点这一实际问题，提出一种基于统计学思想的异常值和突变点检测方法。通过仿真实验验证，该检测算法具有一定的实用性和有效性。