在目前的信息时代里，不确定数据的地位和作用越来越大。虽然传统的关系数据库模型具有灵活存取、逻辑结构和物理结构相对独立等众多优点，但它无法处理这些不完整的、不确定的数据。为了处理这些数据，1996年Dev和Sarkalar提出了一种概率数据模式以及概率数据库模型，但是这种概率数据模式和概率数据库模型存在着诸多缺点，因此我们需要扩展传统关系数据模式，处理概率方面的不确定性数据，以描述动态的世界，建立一个新型的概率数据模式——PDS(Probabilistic Data Schema)概率数据模式。我们在PDS概率数据模式中引进对象属性、静态属性、动态属性和概率属性概念，并提出由上述属性联合构成元组；在此基础上定义了该模型中元组演算的一些基本操作，从而形成了PDS概率数据库理论体系，使其具有处理不确定数据的能力。概率数据库中存储移动对象，R树索引是目前最实用的移动对象索引机制，但是由于R树索引的查找以及更新性能低下，因此我们建立了一个R树索引和Hash索引相结合的混合结构——PRI(Probabilistic R-Tree Index)树索引结构。性能分析表明，采用PRI树索引结构的动态更新性能大大高于R树索引。不确定性是传感器数据库中的常见问题，而如何准确查询不确定数据是当前研究的热点。概率最近邻居查询能够描述不确定数据，概率最近邻居查询能够准确描述不确定数据，本文提出了基于分支界限的概率最近邻居算法和基于Delaunay三角化的概率最近邻居查询算法，并分别给出两种算法的性能分析。