过程数据测量值的准确性是实现过程控制优化，生产工艺的提升乃至管理规划制定的基础，但是测量值总是会存在一些类型的误差导致数据被污染。数据校正技术则可以根据过程的物料平衡，能量守恒等约束来消除误差并获得较为准确的估计值。动态数据校正作为数据校正技术的一类，其主要是利用过程动态模型作为约束，通过对测量值的调整使其尽可能满足约束，从而找到过程变量的估计值。本论文分别针对线性动态系统和非线性动态系统的数据协调和显著误差的检测提出了基于动态贝叶斯模型的数据校正的方法，基于模型和约束的粒子滤波校正方法以及基于改进型辅助粒子滤波和测量值检验法相结合的数据校正方法。主要内容如下:　　(1)针对线性动态系统中存在显著误差的情况，提出了一种基于动态贝叶斯模型显著误差检测方法与卡尔曼滤波相结合的方法，利用基于动态贝叶斯模型的方法对显著误差进行实时地检测，并利用检测的结果来更新参数，以此来减少显著误差的影响。仿真的结果也表明了相较于传统的卡尔曼滤波，改进后的方法可以有效地检测显著误差，并且校正结果具有较好的鲁棒性。　　(2)针对不存在显著误差的非线性过程，提出了基于模型和约束的粒子滤波的数据校正方法，其主要通过过程约束获得有效的粒子，提高了粒子的多样性，并且使用模型约束来更新粒子的权值，从而获得更好的校正结果，并通过对基于几种不同改进的粒子滤波的方法的仿真对比，可以表明基于模型和约束的粒子滤波方法具有更好的校正效果。　　(3)针对含有显著误差的非线性过程，提出了改进型的辅助粒子滤波和测量值检验法的动态显著误差检测的方法。利用测量值检验法进行显著误差的实时侦破，并通过对初始粒子的修正来防止对滤波的影响显著误差检测的影响，并利用过程约束提高的有效粒子的数目，最后通过利用该改进前后进行仿真对比可以发现，改进后的校正结果鲁棒性更强，校正曲线更加平滑。