由于在Web数据抽取与集成、数据挖掘与机器学习、统计数据分析和传感器网络等应用领域中大量的对不确定性数据进行有效的存储与管理的需求，不确定性数据处理技术成为近年来学术界关注的热点研究问题之一。与传统的数据库相比，存储在不确定数据库中的数据往往是不准确的，从而查询的结果也是不准确的。这使得查询结果对输入数据的灵敏度分析问题成为不确定数据库中迫切需要解决的关键问题。本论文对不确定数据库中的基本查询结果和Top-K Ranking查询结果的灵敏度分析问题进行了深入的研究，实现了不确定数据库中查询结果的灵敏度分析机制，使得用户可以理解存储在数据库中的哪些概率值的变化对查询结果的影响最大，并且可以修改错误的概率值以得到正确的查询结果。本文的主要创新点如下：对不确定数据库中的基本查询提出了基于偏导的灵敏度分析方法，对于具有安全计划的查询将灵敏度分析算法从平方量级的时间复杂度优化到线性的时间复杂度。对不确定数据库中的Top-K Ranking查询结果的灵敏度分析问题进行了分类，提出了模块化的灵敏度分析方法，并设计了最优算法、累积贪心算法和非累积贪心算法。累积贪心算法和非累积贪心算法在准确度和运行时间方面做了权衡。累积贪心算法具有更高的准确度，非累积贪心算法具有更快的运行时间。另外，本文还对基于属性级别的不确定数据模型和PRF框架的Top-K Ranking查询的算法进行了改进，使得运行时间从当前最好的立方量级的算法降为平方量级的算法，并且进行了有效的剪枝策略的设计，进一步减少了程序的运行时间。本文在实际数据集和测试数据集上进行了大量的实验，验证了所提出的算法的有效性。