Skyline查询在多目标决策、数据库可视化等领域具有重要的应用价值,作为Skyline查询的一种重要变体,反Skyline查询同样具有重要的应用价值。具有不确定性特点的数据流在现实世界中广泛存在着,因而不确定数据流上的反Skyline查询研究具有重要意义。但现有不确定数据流上的反Skyline查询算法存在时间性能不高以及无法应对某些苛刻环境等不足,本文针对这些不足提出了两种新算法。本文主要的工作及创新点为:(1)设计与实现了一种新的不确定数据流上的反Skyline查询单机算法RSUDS。RSUDS算法基于网格划分思想以及Z–curve设计了一种新的索引结构,并在该索引结构的基础上RSUDS算法采用了若干启发式优化策略,这些方法的使用能够最大限度地减少对象之间关系测试的次数,并最终加快查询的响应速度。(2)针对单机算法在处理滑动窗口过大、高维度等情况下实时响应性能不高的问题,设计与实现了不确定数据流上的反Skyline查询并行算法PRSUDS。PRSUDS算法采用基于角度划分的分发策略将处理任务分配至各并行节点进行处理;而在各并行计算节点则采用RSUDS算法中的网格索引结构以及启发式策略对局部处理进行优化。(3)通过在人工数据集上的大量实验对RSUDS算法和PRSUDS算法的性能进行全面的验证。实验结果表明RSUDS算法比现有的算法具有更好的时间性能;而PRSUDS算法能够更好地应对滑动窗口过大以及高维度等情况。因此本文的研究成果能够满足实际应用的需求。