信息技术的飞速发展使组织的管理者进行决策分析时对数据的依赖性越来越强。于是在数据库的基础上产生了能够满足决策分析所需要的数据环境——数据仓库。但是从异构的数据源导入数据仓库的数据中会存在各种质量问题,使得应用于数据仓库前端的决策支持系统产生错误的分析结果,所以必须对其进行数据清洗来提高其质量。数据清洗正在成为数据仓库和数据挖掘领域的一个重要课题。本文对数据清洗的知识进行了全面的描述,介绍了数据清洗的概念和国内外研究现状。对数据清洗技术的原理、方法、评价标准以及基本流程进行了分析。重点对重复记录清洗所用到的技术和各种算法进行了深入的研究与实验分析。在重复记录清洗中,首先介绍了重复记录清洗的相关知识和基本流程,然后分别就流程中各个步骤进行了深入的研究,对各种算法进行了复杂度分析,并针对部分算法中的缺陷进行了改进。主要工作大致包括:在预处理步骤中,本文基于越能最大限度的聚集相同记录,离散不同记录的属性其权重应该越大的思想分配属性的权重。对常见的字段匹配算法Levenshtein距离、Smith Waterman距离、Jaro_Winkler距离、TI similarity做了详细的算法说明分析。在数据库级上对重复记录进行聚类的步骤中,就基于“排序-合并”思想的排序邻居法、多趟算法、优先队列法进行了详细的讨论和实验分析,并改进了传统的排序邻居法,实验结果表明,改进的排序邻居法在相同召回率的情况下,时间复杂度优于传统的算法。此外对canopy聚类方法进行了算法分析,并对优先队列算法和canopy聚类方法在重复记录检测方面的效率和性能也作了相关的实验分析。