近年来,随着射频通信、集成电路、移动通信等技术的飞速发展,RFID被广泛应用到供应链管理、智能道路交通监控、智能场景监控等面向位置服务的物联网应用中。但由于原始RFID数据的海量性及其固有不确定性,急需一种有效的手段来清洗RFID数据流中的不确定数据,并有效评估数据质量,确保信息系统中数据实例和数据模式的一致性。应用的基础是数据,本文以RFID数据为研究对象,分析了RFID不确定数据的时空特性。首先,介绍了基于滑动窗口的数据清洗算法,但其时空效率较差。然后提出了改进的数据清洗算法,它使用列表存放数据,提高了时间和空间利用率,并且可输出标签在阅读器检测范围的逗留时间。在近似冗余数据过滤方面,基于布隆过滤器,提出了改进的时空布隆过滤器算法来消除RFID冗余数据,该方法使用有限空间一次扫描处理海量数据。对比传统布隆过滤器,该方法虽然使用了位数组替换比特数组,增大了内存空间的开销,但仍有良好的空间效率。同时该方法解决了传统布隆过滤器不能实时处理海量数据流的问题,去除了布隆过滤器的误报错误,并通过选择合适参数的方式来最小化漏报错误。在质量评估方面,研究了评价RFID数据流质量的测度,并基于ESP(Extensible receptor Stream Processing)清洗框架中的模块化设计,设计了RFID数据流并行质量保证框架,准确估算了RFID数据流中的置信度和覆盖率属性。最后,实验验证了RFID数据清洗算法和数据质量保证框架的性能。