准确可靠的测量数据是实现装置过程模拟、控制、优化和生产的前提条件，然而通过仪表测量获取的过程数据中的误差影响了数据的准确性。因此，需要利用数据校正技术消除测量数据中的误差。目前测量数据中的误差分为随机误差和过失误差两种，其中随机误差是指服从均值为0的正态分布的、相互独立的误差；而过失误差可以认为是较少出现的、不服从正态分布的各类误差的统称。数据校正的基本原理就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。根据工业过程的实际操作条件不同，数据校正可以分为稳态数据校正和动态数据校正。本文主要对几种常用的动态数据校正方法进行了研究与改进，包括不基于化工过程动态模型的小波滤波法和基于化工过程动态模型的鲁棒数据校正法与卡尔曼滤波法。小波滤波能有效降低化工过程测量数据的随机误差，但却无法识别测量数据中是否存在过失误差。为此，本文通过总结小波滤波数据校正实例中校正值、分解层数与过失误差之间的规律，给出了三者之间的关系公式，并以此公式为基础给出了基于小波滤波侦破过失误差的方法。然后将这一方法与软阈值小波滤波相结合，对反应釜系统模拟产生的测量数据进行校正。校正结果表明本文提出的基于软阈值小波滤波的数据校正方法可以有效地侦破出测量数据中的过失误差。在鲁棒数据校正中，用不同的算法对鲁棒数学模型进行求解得到的数据校正效果不同。本文采用粒子群优化算法对鲁棒数学模型进行求解，并且以正交配置法处理化工过程的约束条件，然后将所得到的校正结果与采用序贯二次规划法对鲁棒数学模型求解所得的校正结果进行对比研究。对全混流反应器动态数据的校正结果表明，采用粒子群优化算法求解所得的校正结果优于采用序贯二次规划法求解所得的结果，因此实际应用时，若数据规模较小时可首选粒子群算法。传统的卡尔曼滤波不能侦破过失误差，并且对含过失误差的测量数据无法进行有效的校正。因此本文将卡尔曼滤波与鲁棒估计相结合，采用鲁棒函数修正测量值方差的方式对卡尔曼滤波进行了改进，以此来提高卡尔曼滤波的鲁棒性并降低过失误差对卡尔曼滤波校正值的影响。在测量值方差修正的过程中，本文同时引入了一个参数及其临界值作为方差是否需要修正的判断标准，以避免所提改进方法对不含过失误差的测量值进行不必要的校正。本文利用这一方法分别对拓展卡尔曼滤波与无味卡尔曼滤波进行了改进，并利用这两种改进的卡尔曼滤波对一个非线性实例进行了校正。校正结果表明，与传统的卡尔曼滤波相比，改进的卡尔曼滤波的过失误差校正性能有了显著提高，可有效地用于动态过程的数据校正与过失误差侦破。而且经过对比得出，鲁棒改进的无味卡尔曼滤波明显优于改进的拓展卡尔曼滤波，因此实际应用时，可首先鲁棒改进的无味卡尔曼滤波。另外，本文还对基于不同鲁棒函数改进的卡尔曼滤波进行了研究，结果表明不同鲁棒函数的选择对改进的卡尔曼滤波的数据校正性能也有一定的影响。