在工业过程中,现场采集的数据中不可避免的存在误差,其中既有随机误差也有显著误差。显著误差主要是指由于测量仪表失灵、测量仪表数据传输错误以及操作不稳定等原因造成的测量数据严重失真的情况,数据的测量值和真实值之间存在的显著差异即显著误差。显著误差包含了通常所说的系统误差和似然大误差,它实质上是所有不满足正态分布的大误差的总称。显著误差的存在使测量数据不能真实反映实际工况,所以对显著误差进行检测并加以修正在数据处理中尤为重要。本文主要研究了稳态过程的显著误差问题,主要内容如下：(1)在经典的MT-NT算法上加以改进,对节点检测法加入了约束条件以弥补其容易出现“漏报”的缺陷,并将显著误差数据进行同步补偿来保证多显著误差检测的准确性。(2)将可传递信度模型(TBM)用于显著误差检测中,并将传统的显著误差检测方法作为证据分配的依据,弥补了传统显著误差检测方法只从某个方面采用统计学方法对测量数据做出诊断的不足。针对显著误差检测问题中容易出现多个最大pignistic概率的问题,提出了顺序选择pignistic概率的思想,并对显著误差数据采用同步补偿策略以保证更精确地检测出所有显著误差数据。(3)由于前两种方法只是针对于测量数据满足线性关系时的显著误差检测问题,不适用于数据间关系为非线性关系时的显著误差检测问题。本文提出了基于混合整数非线性规划模型(MINLP)的同步数据协调的显著误差检测方法。该方法基于AIC框架,结合混合整数规划模型和最小二乘估计模型,将显著误差作为未知参数来估计,进而实现显著误差的检测和同步数据协调。