化工生产中,装置运行状况的好坏是通过生产过程的测量数据好坏来衡量的,这些测量数据是科学研究的基本依据,也是实现计算机过程控制、模拟优化和生产管理的基本依据。测量数据在理论上是应该满足物料平衡、能量平衡等约束条件的,但在实际应用中,从现场采集回来的数据,由于受测量仪表精度、测量方法和环境影响,不可避免的带有误差,进而影响运行状况,故我们需要进行数据校正来剔除测量数据中的误差。一般测量数据分为随机误差和过失误差,传统的数据校正方法会出现测量数据中含过失误差的数据将误差分摊到不含过失误差的数据当中。数据校正中数据分类、数据协调部分的求解方法需要用到方程的求导或者矩阵的转换方法,计算过程复杂,故在此,我们引入了一种新的概率优化算法——量子遗传算法。量子遗传算法是一种将量子计算与遗传算法相结合的概率优化方法,与遗传算法相比,具有更好的种群多样性、计算并行性、更快的收敛速度、更高的搜索效率和更强的全局寻优能力。但对于多峰值问题,量子遗传算法也容易出现陷入局部最优的问题,所以本文针对量子遗传算法存在的不足对量子遗传算法进行了改进,并将改正后量子遗传算法应用到数据校正中。本文共分为六章,首先简要介绍了数据校正研究现状,并介绍了遗传算法以及量子遗传算法方面的研究,将遗传算法与量子遗传进行了比较;然后论文详细阐述了量子遗传算法的基本概念和基本原理,给出了量子遗传算法的流程图。随后根据量子遗传算法存在的不足提出了改进方案,并采用典型函数对改进的量子遗传算法的优化性能进行测试分析,结果表明,改进的量子遗传算法在寻优能力和收敛速度上优于遗传算法和量子遗传算法。最后论文介绍了数据校正的相关概念,并将改进的量子遗传算法应用于数据校正中,用风烟系统的数据校正、精馏过程的数据校正进行仿真研究,结果表明该方案的可行性。