大数据时代的降临伴随着海量数据的出现,同时使得数据成为人们生产生活中不可或缺的一部分。时间序列数据又是海量数据中的非常常见的一类,其在工业及物联网领域广泛存在,同样蕴含着巨大价值。但不幸的是,属性值错列的现象却频频发生在时序数据采集的过程当中,严重地影响着数据的质量。例如:在气象数据采集的过程中,某一时刻2的浓度值被传输到了2的属性域内,而2的浓度值被传输到了2的属性域内,即两个属性的属性值发生了错列。并且,此问题在现有的研究中鲜有出现。本文在这样的背景下对现有的属性值错列问题进行了重新定义,提出了一种基于交换数组的修复方式。并在这基础上提出了一种针对属性值错列的检测及修复算法FHISR。该算法利用基于直方图的快速识别技术对待修复的候选集合进行大规模剪枝,并通过基于交换的精准修复算法对属性值错列错误进行完美修复。通过实验验证,该算法比现有方法拥有更优的检测及修复效果,并且比现有的针对属性值错列的检测及修复算法拥有着更快的时间性能。此外,本文还针对多种错误共存的场景,提出了一种联合修复策略。该策略根据一个基于精度的代价模型以及基于最大熵的顺序选择策略来选择算法库中已有的数据清洗算法。本文还针对流数据场景,提出了一种针对属性值错列错误的实时检测及修复算法TDi LOF。该算法利用时序数据具有时间戳的特点,为每个新到来的数据点添加了一个时间指示器,以此来及时删除过时的数据。并且,该算法通过总结阶段的TADS算法,尽可能少的使用内存来保存历史数据点的密度及形状。该算法在检测阶段使用ODA算法利用参考点和潜在的辅助数据点近似地计算LOF值,极大地提高了检测阶段的准确率。通过实验验证TDi LOF算法在可接受的时间性能以及有限内存的限制下,具有极高的检测准确率。此外,对于流数据场景下属性值错列的修复问题,提出了一种根据属性值错列类型来区分处理的高效修复算法OSR。该算法通过一个临时空间来存储一定数量的离群值,并通过时间、密度等属性来区分属性值错列的类型并以此来加速修复属性值错列错误。通过实验验证,OSR算法极大地提高了算法的执行效率并拥有极低的修复误差。