随着大数据时代的到来，数据集成变得越来越重要。ETL(Extract，Transform，Load)是一种数据集成工具，通常包括三个阶段:数据抽取、数据转换&清洗、数据装载。而传统ETL和ELT执行过程存在性能和功能上的弊端，不能很好地满足一些场景的应用需求。为此，需要研究一种高效的ETL数据集成方法。　　首先，为了解决数据集成过程中的数据虚拟化问题，本文提出了一种数据资源空间模型—EVP+(Effcetive，Virtual，Physical，Plus)。该模型包含三层，即:物理层、虚拟层、有效层，每层承载不同形态的数据资源。EVP+模型通过模式映射，完成物理资源到虚拟资源的转换;通过内容映射，完成虚拟资源到有效资源的转换。上层应用可通过统一的数据访问接口对多源异构数据进行访问，消除了数据资源的结构化差异。　　其次，针对传统ETL数据集成过程中存在数据中转区(Data Staging Area)的弊端，本文提出了一种新型的ETL数据集成方法—TEL。该方法基于EVP+模型，首先通过模式映射完成虚拟数据转换，然后再进行数据定制化抽取，最后加载数据到目标数据源中。此外，TEL方法具备实时数据查询能力，区别于传统ETL单一的数据抽取功能。该TEL数据集成方法减少了中间缓存区的时延，一定程度上可提高系统性能。　　再次，针对目前ETL重复抽取，数据冗余，查询效率低下的问题，本文提出了一种基于机器学习的数据复用方法—DSML(Data Sharing based on Machine Learning)。从系统日志中提取出反映用户查询习惯的特征值，利用机器学习的方法挖掘出关联信息，从而构建符合用户查询行为的预测模型。利用该模型，系统只缓存符合用户操作习惯的数据，避免数据的重复抽取，提高了数据的重用性，降低了系统的响应时间。　　最后，为了对TEL数据集成方法进行测评，本文针对不同的ETL应用场景提出了一种基准测试方法—TEL-Bench，包括TEL-Q、TEL-S、TEL-M、TEL-D四个执行过程。此外，本文定义了响应时间(Response Time)、执行效率(Execution Efficiency)、缓存需求量(Cache Size in Need)、总存取时间（Total Access Time）、缓存缺页率(Cache MissingRatio)五个性能度量指标，并依此对TEL系统进行了测评。