在数据采集和处理中,存在着大量的概率数据,这些数据具有复杂的相关性以及在查询和处理方面具有实时性。而目前的传统关系数据模型都是用来处理确定数据的,这就需要研究支持这种概率数据的概率数据模型来表示和描述概率数据。目前表示概率数据的概率数据模型大部分比较简单,不能有效表示数据间的复杂相关性;要么在一定程度上能够表示概率数据之间复杂相关性,但在查询与概率推理方面其时间复杂度过高。因此研究既能表示概率数据之间复杂相关性,同时又能降低查询处理时的复杂度的新概率数据模型成为了研究的重点。　　 文章首先描述了实时概率数据模型的研究背景、现状和意义以及涉及到的一些概率数据基本知识和原理,然后介绍了目前被广泛研究的两种概率数据模型以及二者的缺点和不足之处。在此基础上提出了一种新的概率数据库模型RT-PDM,该模型能够很好地支持四种实时概率数据类型,即确定不时变、确定时变、不确定不时变、不确定时变,能表示元组和属性之间的不确定相关性,通过与目前最常用的概率数据模型DS框架模型的比较,该模型无论是在数据表示和描述能力上还是在查询处理的时间和空间复杂度方面都优异于DS模型。同时,RT-PDM模型利用一种新的LUMP结构来表示概率数据的相关不确定性。每个LUMP中所有元组共享相同的相关关系。LUMP结构之间具有层次性、嵌套性以及继承性,能够有效地表示概率数据之间的相关性。　　 在RT-PDM模型的基础之上,设计了一个实时概率数据库系统的查询处理框架结构,介绍了该框架各功能模块的功能,提出了安全查询计划以及如何判定概率查询的安全性。最后,通过实验结果来验证了在LUMP结构的支持下,RT-PDM模型对概率数据及其相关性表示的有效性。