数据质量对数据建模和数据分析具有直接影响,如模型的泛化能力和分析的精度等,开展数据异常检测和修复在数据质量工程、数据挖掘中具有现实意义和价值。完整性约束是关系数据库中修复冲突数据的主要方法,但约束本身很有可能是不精确的。现有数据修复算法考虑过于简单的不精确约束,并通过加入谓词对约束进行细化。但事实是不精确约束可能不仅包含将正确数据错判为冲突数据的过简约束,还包含不能正确识别冲突数据的过繁约束。为了使修复结果更为精确,本文同时考虑谓词的加入和删除两种情况,提出一种数据和约束统一修复的算法,该算法在一次修复后给出满足约束集变体的、具有最小数据修复代价的修复方案。在真实数据集上的实验结果表明和现有方法相比该算法修复性能更好。简单数据集不含完整性约束,现有修复算法不能应用于其中。本文利用成对约束和数据集密度信息,提出一种基于密度聚类的半监督修复算法。该算法遵循数据修复的最小改变原则,首先利用样本集自身的密度信息和成对约束形成临时聚类簇;然后利用成对约束将临时聚类簇进行分割或者合并形成最终聚类簇,在聚类的同时完成不精确数据的修复。实验证明本文提出的算法能成功提高数据修复精度和数据聚类精度。