经过长期的信息化建设,使企业和组织内部产生了大量遗留系统,这些系统在实施过程中缺乏系统性、一致性考虑,因而产生了大量异构信息。这些信息无法进行有效的共享和交换,导致以XML为基础的信息集成平台成为信息技术发展的一种必然趋势。信息集成过程中,数据质量难以保证,导致分析决策的可靠性降低,使得ETL(数据抽取、转换、清洗、装载)成为一个十分重要的环节,它将源系统中的数据转换为有用的信息用于决策支持。因此,以XML为基础的ETL技术的研究尤为重要。本文主要的研究工作可概况为以下几个方面:第一,在分析XML、CWM与信息集成相融合的优势基础上,提出了一种利用公共仓库元模型CWM解决信息集成中数据抽取的方案,构建了一个基于公共仓库元模型CWM的结构化数据信息集成架构,设计了一个公共的、独立于任何特定实现模型的元模型基础上的Wrapper,解决了结构化数据抽取过程中由于数据源发生变化引起的Wrapper维护问题。第二,在分析现有XML数据相似性检测技术基础上,提出了一种节点加权与树编辑距离相结合的检测方法,该方法通过计算XML带权树的相似度来对数据进行粗略匹配、简单聚集,然后在每个集合中利用树编辑距离算法进行相似性检测。由于对XML数据进行了预处理,减少了不必要的树编辑操作,因而时间复杂度大大降低。第三,为了将理论应用于实践,在一个应用实例中进行实验模拟。构建了特种设备整合系统的体系结构,设计了信息集成过程中数据抽取的元数据统一格式,并抽取出所需要的XML数据。另外,为了验证本文的相似重复记录检测方法,针对不同的DTD从底层数据库表中抽取XML数据,并对其进行相似重复检测,验证了本文提出的相关技术。