数据校正的基本原理是利用各种过程冗余信息对测量数据中的误差进行处理，使其满足过程内在的物料平衡、能量平衡以及其它关系式。根据操作条件的不同，数据校正可以分为稳态数据校正和动态数据校正。由于实际过程中动态变化经常发生，而且国内外对于稳态数据校正的研究已较为成熟，因此本文选择对动态数据校正方法进行研究，包括不基于过程动态模型的多项式滤波、小波滤波和基于过程动态模型的鲁棒数据校正、卡尔曼滤波。　　本文在研究了上述几种方法原理的基础上，分别对这几种方法的不足进行了有效改进和完善，提高了这几种方法的数据协调性能和过失误差侦破性能。同时，为了在实际应用中选取有效的数据校正方法，本文同时对这几种方法的数据校正性能进行了对比研究。　　对于多项式滤波，针对多项式滤波的拟合次数和目标函数对数据校正结果影响较大的问题，提出了根据中位数选取多项式次数和用鲁棒估计函数代替最小二乘目标函数的方法。在此基础上，提出了根据多项式滤波的预测值进行过失误差侦破的方法。数据校正实例的仿真运算结果表明改进的多项式滤波的数据校正性能有了显著的提高。　　对于小波滤波中的强制去噪滤波，提出了用高频系数和低频系数的相关系数和相邻两层高频系数方差比确定强制去噪滤波的最优分解层数的方法。其中，相关系数和方差比的临界值通过总结化工数据校正实例计算结果的规律给出。在过失误差侦破方面，通过总结过失误差与校正结果之间的规律得出了强制去噪滤波的校正值与过失误差大小、分解层数的关系公式。对Aspen模拟生成的测量数据的校正结果表明，新方法提出的判断参数和关系公式可有效地用于不基于过程动态模型的数据校正。　　对于鲁棒数据校正方法，提出了一种把鲁棒目标函数映射到0-1区间的方法，并通过该方法把常用的鲁棒目标函数分为三类。文中通过一个稳态数据校正实例和一个动态数据校正实例对比研究了各类目标函数的性能。仿真应用表明，同类鲁棒目标函数的数据校正结果接近。其中，第一类鲁棒函数的数据校正结果最好，第三类次之，第二类略差。　　对于卡尔曼滤波，为了提高卡尔曼滤波的过失误差侦破性能，提出了将鲁棒估计用于修正测量值方差的策略，并根据等价权矩阵的计算方法给出了测量值方差的修正公式。线性实例和非线性实例的校正结果表明，本文提出的改进方法显著的提高了卡尔曼滤波的过失误差侦破性能。　　为了在实际应用中选取有效的数据校正方法，文中同时对同类数据校正方法进行了对比研究。对Aspen模拟生成的测量数据的校正结果表明，改进的多项式滤波在校正结果的准确性方面好于强制去噪滤波，但其计算时间长;对连续搅拌釜仿真生成的测量数据的校正结果表明，鲁棒数据校正方法具有准确的校正结果，但本文提出的改进卡尔曼滤波的计算时间远小于鲁棒数据校正方法的计算时间。因此，实际应用时可根据具体情况选择合适的方法。