现代工业过程中所产生的人量过程数据(流量、温度、压力、浓度和组分等)是过程建模、控制与优化的基础,是工业过程安全进行的保障。因此,必须确保过程数据的准确性和可靠性。然而,过程数据不可避免地会受到测量过程或处理过程中产生的误差的影响而偏离其真实值,从而使得过程数据不再满足一定的物理化学规律或者其它的过程约束。数据校正就是对这些过程测量数据进行处理的一种技术,通过剔除或补偿显著误差的影响,消除随机误差的影响,使得协调后的数据最大程度接近过程数据的真实值同时又满足一定的物理化学规律或者其它的过程约束。本文主要对稳态系统的数据分类、显著误差检测方法进行研究与分析提出改进,并应用于化工和电力系统的仿真实例,具体内容如下：(1)针对经典的数据分类方法存在计算过程复杂、分类不彻底的问题,提出了初等变换数据分类方法。运用图论分类方法,采用矩阵的相关性质来进行数据分类,同时考虑到模型具备面向流程和面向方程的特点,对于未测数据分类只需对未测数据系数矩阵进行一次行初等变换,已测数据分类则可以将未测数据系数矩阵简化成一组向量基,在通过这组向量基对已测数据分类。理论及仿真研究表明,本文提出的方法相比于投影矩阵法分类,计算过程简单,相比于线性相关法,该方法简化了矩阵规模,计算步骤简便,计算量小,更适用于复杂过程系统的数据分类。(2)针对电力系统常用的最小二乘法状态估计后得到的测量误差估计值存在缺失部分的缺陷,本论文提出了基于改进残差的显著误差检测的方法。通过投影矩阵思想将测量误差分解成可检测和不可检测的两部分。后者(不可检测误差)与前者(不可检测误差)的比值,称为不可检测系数,代表测量数据中误差检测的难易程度。再运用不可检测系数计算出没有在状态估计残差中包含的那部分误差,并通过这部分误差改进了协调残差。仿真结果表明基于改进的残差能够提高电力系统显著误差检测的精确度。(3)传统的显著误差检验方法都是基于经典的统计理论,不能够给出测量值距离阈值的远近,也不能给出校正结果的可信度。本文基于可传递信度模型提出了一种显著误差检测的新方法。该方法通过可传递信度模型融合了从节点检验法与广义似然比法获取的证据,得出了每个测量数据的置信度,继而得到其pignistic概率作为诊断的决策标准。该方法中采用了顺序补偿的策略,为避免置信度可能的重叠同时又能反映出置信度之间的大小关系,将统计量的比值与置信度的乘积作为两种检验方法的证据。仿真结果表明基于可传递信度模型的显著误差检测方法对于测量误差和系统泄露并存的系统有较好的显著误差检测效果。