随着技术的进步和人们对数据采集和处理技术理解的不断深入,不确定性数据(uncertain data)得到了广泛的重视。在许多现实的应用中,例如经济、军事、金融、电信等领域,数据的不确定性普遍存在,对不确定数据进行处理显得尤为重要。对不确定数据进行研究和处理过程中,经常遇到的也是最难解决的就是可能世界实例“空间爆炸”问题,由于不确定数据的特殊性,同等规模的不确定数据库较传统确定数据库处理的复杂度和困难程度要大得多。本文主要研究了基于聚集约束的不确定数据清洗与Top-k查询,在研究过程中发现,无论不确定数据清洗还是查询,都存在判断可能世界实例是否满足聚集约束条件的过程,当不确定数据集元组个数较多时,会面临可能世界实例“爆炸”的问题。本文针对不确定数据清洗和查询问题,对基于聚集约束条件的不确定数据清洗与Top-k查询进行了研究,主要研究工作体现在以下两点:1.分析了基于聚集约束对不确定数据进行清洗面临的主要问题,并建立了完善的数学模型,将清洗问题转化成了一个非线性最优化问题。根据本文研究的问题中,不确定数据元组值是离散的数值这一特点,在现有改进的非常快速模拟退火(MVFSA)算法基础上,通过重新设计算法的随机扰动方式,提出了针对本文特定问题的MVFSA算法。实验结果表明,本文提出的MVFSA算法较传统的SA算法在清洗得到的结果质量和算法的效率上都有较大的提高。2.针对基于聚集约束进行Top-k查询过程中,可能世界实例多,难以逐一判断是否满足约束这一问题,提出了一种基于采样的多链MCMC方法。本文首先通过寻找多个满足约束条件的初始点,然后从这些初始点出发,运用多条马尔科夫链同时进行采样,采集得到的样本能够很好的反映整个可能世界实例空间的分布,最后对样本集进行Top-k查询得到最终的查询结果。实验结果表明,Top-k查询中运用多链的MCMC采样方法得到的查询结果很接近真实的结果,而且算法效率大大优于运用简单的随机采样进行查询的方法。