在化工生产过程中，由于其生产过程的复杂性、物料特性、仪器仪表和传感器所固有的特性以及测量方法原理等因素的影响，导致从工业现场所采集到的数据信号不可避免的存在误差。数据信号中误差分为随机误差和显著误差，通常来讲随机误差符合统计学规律，利用相关知识比较容易进行消除，但对显著误差来讲，消除起来相对复杂，分析处理起来也相对困难。含有误差的过程数据并不能完整的反映化工生产过程的真实工况，如果直接拿来应用，可能会造成不可估量的损失。所以，过程数据中所存在的显著误差进行检测和剔除，对化工生产来讲至关重要，直接关系到企业的生产效率和效益。针对上述问题，本文首先对数据分类算法中的矩阵投影分类算法进行了改进。经过算例分析验证，所提出的改进分类算法可以将矩阵进行有效降维，降低计算复杂度，同时防止矩阵求逆奇异时出现计算中断，还可以避免由于存在多个投影矩阵所导致的可校正变量丢失问题。其次在传统的显著误差检测算法基础上，提出了两种显著误差检测的联合算法，即NT-MT(Node Test-Measure Test)联合算法和GLR-NT(Generalized Likelihood Ratio-Node Test)联合算法，实例研究结果表明流股(物料传输)中显著误差较少时，相对于MT-NT(Measure Test-Node Test)联合算法来讲，NT-MT算法具有更好的性能，可以有效防止数据污染。流股中显著误差较多时，相对于NT-MT联合算法来讲，GLR-NT联合算法具有更好的性能。但是，由于这几类显著误差检测算法都是以统计学为基础的统计检验方法，在置信区间内进行假设检验，本质上就存在随机性和偶然性误差，最后考虑应用人工智能这种方法对显著误差进行研究，提出了LM (Levenberg Marqurt)-BP神经网络显著误差检测方法，并将其用于甲醇生产合成工业中进行数据校正和误差消除，经过对实验结果的分析，表明该算法所得到的校正值要优于测量值，更加符合实际工况。