从事件日志作为出发点,进行流程挖掘,通常需要对日志数据进行预处理,包括数据清洗和数据修复等。一致性检测用来衡量事件日志与实际业务流程执行相符合的程度,对于一致性检测定位出偏差出现的位置,考虑重新发现业务流程的花费较大,相比之下模型修复工作更具有实用意义。然而,对于日志数据的预处理,现有的研究工作一方面依据频率对日志进行过滤,另一方面对现有的事件日志进行修复,但是大多将事件日志考虑成简单的活动序列,修复工作也就着眼于简单的事件重新排序。然而,实际上日志数据还记录了时间戳、资源、等其他属性,对于丢失事件的不完整事件日志,单纯地考虑事件序列的重新排列,完全忽略属性间冲突对日志修复所带来的影响。常见的基于最优对齐的一致性检测方法,依据对齐成本最小原则确定最优对齐,从而确定偏差位置,忽略了一些较短日志所反映的行为,基于此修复的模型精确程度有待进一步改善。在确定偏差出现的位置后,现有的关于提高模型修复效率方面的研究,以单线程的方式,从整体入手,对模型进行修复,但是结合块结构分区思想对模型修复的研究较少。基于前人所做的工作,本文的主要研究内容如下:（1）事件日志的修复工作并非简单地考虑事件的重新排列,事件日志还包含其他属性,本文主要关注事件日志中时间戳的修复,针对单纯依据置信度最大值确定事件序列,会面临由于缺失事件导致置信度值较小的问题,于是提出了依据平均置信度最大值确定序列,进一步考虑事件间属性是否存在冲突,提出平均事件属性置信度算法,确定序列顺序后再估计事件时间戳对其进行修复。（2）一致性检测技术旨在衡量日志与模型行为相符合的程度,目前采用基于最优对齐确定偏差的位置,存在因为考虑最小对齐成本而忽略一些较短日志迹所反映的行为的问题,影响了一致性检测的效果。本文提出了一种基于优化对齐的一致性检测方法,在预处理阶段提取出模型中所有路径,依据优化对齐算法（ROA）,将日志序列与路径序列逐一比对,选取日志移动成本较小的对齐作为相对最优对齐,并给出了计算拟合度和精确度的函数。最后,开展实际案例分析,对基于优化对齐和最优对齐确定偏差的位置分别进行修复,结果显示了基于前者修复后模型的精确度均高于后者。（3）现有的模型修复方法大多是单线程从全局上进行修复,对检测的偏差位置与待修复区域之间的对应性考虑较少。本文考虑子组行为关系对模型进行修复,依据必要事件保序对日志进行过滤,将日志与模型分解成子组日志和模型子块;基于最优对齐提取子组日志中不拟合的子日志,分析子日志活动间行为关系,对于增加、删除的行为关系,在子块中插入、删除活动及相应的弧和库所,对于发生变化的行为关系,在子块中改变相应的弧以支撑新行为。图[17]表[17]参[90]