最近一些年来,数据质量问题受到了越来越多的关注,很多企业和政府机构采用各种力所能及的管理和技术手段来提高数据质量从而提高其数据资产的价值。但学术界对数据质量的系统研究仍显薄弱,用于提高数据质量的软件系统也较少并且功能较为局限。本论文所设计的被称为RDQMS的基于规则的数据质量管理系统具有自动信息收集、根据规则自动诊断和进行自动填充和修复的能力。它能够被用于持续的发现实例层面的数据质量问题并及时进行修订,具有较好的实用性和智能性。论文对数据质量管理系统中涉及的数据质量规则库构建、数据质量诊断和数据修复三个关键技术问题进行了详细的分析。受遗传编程技术的启发,我们提出了一种采用树型结构来描述所有规则的新方法,并将其称为q-ET。所有规则采用xml方式存储,从而能够直接将q-ET不加改变的映射到xml文件中。同时,我们还提出了几个简单实用的新算法用于自动从样本数据集中发现规则,这几个算法非常适合从存储大量数据的关系数据库中发现函数依赖规则。在数据质量诊断部分,我们讨论了基于q-ET的数据质量诊断算法。在该算法中,我们先将一个q-ET表达式转换为其逆表达式;对于关系型数据源,我们将该逆表达式最终转换为能在关系型数据源中检索异常数据的SQL语句并执行以检索违例数据;对于xml类型的数据源,我们最终将该逆表达式转换为XQuery语句并执行以检索违例数据。对于异常和空的数据元素进行自动修复是一个较为复杂的问题。在这里,我们重点讨论了基于规则的数据自动修复和填充算法。在该算法中,我们直接运用q-ET表达的质量规则进行空值填充和异常数据修复。基于q-ET的强大表达力,算法具有很好的实用性。