随着科技的进步和社会的快速发展，人们拥有的数据集越来越大，如何有效的管理日益庞大的数据集，人们面临巨大的挑战。在使用数据之前，人们需要知道数据集的精确程度，以便人们做出准确的决策，因此数据集的精确性是数据质量中非常重要的一方面。但是，一方面有时候数据集整体的精确性不高，可是其中一部分的精确性很高，而人们需要的数据可能就在这部分中。另一方面，数据类型和数据集合表示的多样性也给数据精确性的评估带来巨大挑战。我们称数据集合的整体精确性为绝对精确性，而查询出的结果集或者数据集合的一部分的精确性为相对精确性。由于数据集的查询种类多种多样、数据集表示形式的多样性、数据种类的多样性等，现在还没有有效的评估算法和评估框架来解决以上问题。现有的算法基本都是集中对一种数据集上的一种数据类型进行评估，缺乏灵活性，很难应用于现实问题。对于数据集的绝对精确性评估，本文提出了系统性的框架。不同数据集都是由基本的单位组成的，本文以基本单位的精确性为基础，来组合评估数据集的绝对精确性；对于不同的数据类型，本文以相对误差为基础定义了一种新的精确性评估准则，在两者的基础上，我们为多模态的数据设计了精确性的评估框架。在这个框架内，我们将数据类型划分为三类，分别为可度量类型、可比较类型和类别类型，并且分别在每种类型存在真值和不存在真值的情况下给出了它们的精确性评估算法，并以它们为基础来组合评估数据集的精确性。此外还给出了如何处理数据更新和利用函数依赖提高精确性估计。对于查询的相对精确性，本文给出了如何计算查询精确率和召回率的方法，我们使用查询的精确率、召回率、F-measure和查询结果集的精确性来表示此次查询的相对精确性，并给出提高查询精确性的算法。最后通过充分的试验来证明本文所提出的精确性评估的框架和算法的有效性。