随着工业过程的自动化程度的提高，对生产工艺的要求也越来越高，准确可靠的过程数据能够及时反应系统过程的运行状态，是进一步实现过程控制优化、生产工艺提升及运行管理配置的数据基础。数据校正技术是利用过程的测量数据及系统约束条件，通过数学方法降低测量误差的影响，得到靠近真实状态值的校正数据，同时估计出那些未测的状态值。鲁棒数据校正技术作为鲁棒估计在数据校正研究中的应用，是一种显著误差检测和数据协调同步进行的方法，本论文从三个方面对鲁棒数据校正进行了改进:提出基于M-估计的鲁棒数据校正法，基于历史测量数据的广义T鲁棒数据校正法以及基于改进卡尔曼滤波的鲁棒动态数据校正，具体体现在:　　(1)提出一种基于M-估计的鲁棒数据校正方法，并且在稳态线性和非线性两个仿真案例上，对比研究了新方法和Huber法，Cauchy法的数据校正性能，仿真结果表明:不管是在线性还是在非线性系统上，相比于另外两种方法，新方法都表现出更好的稳定性和鲁棒性;当存在多个显著误差时，Huber法和Cauchy法都有着不同程度的性能下降，但新方法依然表现出较好的校正性能。　　(2)提出了基于历史测量数据的广义T鲁棒数据校正方法，即利用广义T分布来描述测量误差的实际分布，同时利用历史测量数据来估计模型的参数值，使其能够更准确的展现误差的分布特性，对于非正态分布的误差，有更好的校正效果。仿真研究表明，相较于基于误差正态分布设计的Huber鲁棒估计法和最小二乘数据校正，基于历史测量数据的广义T鲁棒数据校正方法校正性能更好。　　(3)提出了基于改进卡尔曼滤波的鲁棒动态数据校正方法，即利用本文提出的基于M-估计的鲁棒估计函数，通过调整测量误差的方差，减小含有显著误差的测量值的权重，并在滤波过程中加入了迭代验证步骤，提高了卡尔曼滤波的鲁棒性。线性和非线性仿真实例研究表明，相较于卡尔曼滤波，基于改进卡尔曼滤波的鲁棒动态数据校正对显著误差的鲁棒性明显增强，其校正效果更好。