不确定数据近年来受到广泛关注。在诸如经济、军事、物流、金融、电信等领域的具体应用中,数据的不确定性普遍存在。不确定数据管理技术,尤其是不确定查询技术的研究成为热点问题。目前不确定数据查询技术的相关研究涵盖了查询的语义,查询处理及优化等诸多方面。在不确定数据上进行的查询包括等值查询,区域查询等简单查询,以及Top-k,(k)NN,Skyline等基于排序的聚集查询。这些查询在诸如地理信息系统,移动对象跟踪查询以及定位等应用中有着非常重要的作用。不过目前为止多数不确定数据管理和查询技术都是在集中式数据库或数据流上进行的。事实上数据不确定性在传感器网络,分布式Web Server及P2P系统等分布式系统中广泛存在。从这些系统中收集所有数据进行集中式查询将带来巨大的通信开销、时间延迟和存储代价。同时,由于分布式系统的特殊性,大多数集中式不确定查询算法在分布式环境下并不适用。本文对三种在分布式系统应用中常见的不确定聚集查询:不确定最大(小)值查询、不确定Top-k查询和不确定kNN查询进行了研究,给出了三种聚集查询的形式化定义,分别提出了以减小分布式聚集查询通信开销为目标的过滤策略,并分别设计了支持这三种查询的数据存储和基于过滤策略的分布式聚集算法。这一系列算法的主要思想是根据概率计算和数据分布,将不可能成为最终查询结果的数据抛弃,并通过设计相应的机制保证查询结果的正确性。实验结果表明,在真实数据和生成的不确定数据上,以及多种系统环境下本文的过滤算法都能够正确地得到查询结果并显著降低系统的数据通信开销。