异构和分布式数据被用于多方面的应用,如信息提取、数据挖掘、电子学习以及网络。而与这些应用相关的所有算法的决策准确性都直接取决于所用数据的质量。用于此类应用的正确可靠数据的缺失将会导致错误的算法决策。所以数据质量管理是非常重要的。虽然数据质量管理的能力在不断发展,但对速度和效率的需求也在不断增加。数据管理专家认为,由于数据量的激增以及获取质量信息的复杂性,数据质量仍然是不断限制数据质量管理与业务联系的瓶颈。机器学习（ML）等技术使从数据中发现复杂模式成为可能,而由于数据的复杂性和可变性,数据质量过程需要从静态的基于规则的方法转变为动态自适应技术,这就对基于机器学习的数据质量管理技术提出了需求。在数据质量管理过程中,机器学习可以用于评估数据资源的质量,预测丢失的数据,并提供清理建议,从而降低数据质量专家与科学家工作的复杂性,减少花费的精力。机器学习中的鲁棒性通过使用算法或计算序列从数据中学习并提高其性能,预测生成模型根据数据输出不断更新,使得系统能够自行完善模型。这类模型允许学习者将模型的预测与实际结果进行比较,使用这些数据来微调模型预测的参数。考虑到数据质量管理的复杂性,用于数据质量管理的机器学习算法需要具有鲁棒性。因而,本文旨在研究用于数据质量管理的鲁棒机器学习算法,以期开发出能够像人类一样检测、感知、学习或比人类更高效的数据质量管理算法。较少的人机交互和有效的性能是机器学习鲁棒性的关键。设计一个基本算法可能需要一个良好的数据表达。如果缺少鲁棒性强的机器学习模型,这种简化的表示很难实现。因此对于这类问题中,理想情况是设计一个能够通过提取属性或特征来有效学习数据的模型,并能够根据模型的需要对数据进行变换,以提高模型的效率和性能。本文共分五章。为了解决数据质量问题,本文首先提出了四个数据质量使用模型（4As）以作为数据质量研究的指标。在进一步的研究中,建立了完整的数据质量管理鲁棒性概念和技术栈。该模型较好地获得了数据分析条目数据的使用质量水平。这些数据质量使用模型级别的充分性,可以理解为数据质量充分性调查的可靠性指标。该模型可以评估数据的使用质量水平,以产生可重复和可用的研究结果。利用使用ISO/IEC 25012和ISO/IEC 25024等国际标准的优势为他们都经过了实践的检验,而且操作简便。由于数据价值只能在其使用的上下文中进行估计,因此数据质量评估中需要充分考虑上下文。然而,在用于常规数据质量评估的众多数据质量模型中,目前没有一个鲁棒的模型能够充分考虑上下文从而有效解决数据质量问题。以此为动机,本文采用4As数据质量使用模型对当前模型进行改进,该模型不依赖于集成到数据质量模型的任何前提条件或技术,以用于数据质量评估。因此这些方法将为广泛的背景数据提供错误检测与纠正。第二,本文提出了扩展的完备分类标准和鲁棒的重复数据消除学习方法（DLM）来检测和纠正上下文数据质量异常。本文指出了现有分类标准和支持向量机（SVM）的不足。这些鲁棒的方法基于结构化数据上设计。因此,可以将这些提出的方法总结为通过估计相似性匹配来检测和纠正重复问题,之后识别相似性的强度以合并重复问题。为了提升该方法在重复问题中的稳健性,我们通过模糊方式、索引和阻塞的集成使用姓名、地址、电话、日期等数据来连接记录,并将阈值设置为0.5到0.65。第三,本文提出了一种新的Modulo 9算法用于处理填充缺失数据,并与支持向量机（SVM）算法、线性回归（LR）、K近邻（KNN）、朴素贝叶斯（NB）、支持向量分类器（SVC）、线性支持向量分类器（LSVC）、随机森林分类器（RFC）、决策树回归（DTR）、删除方法、多层感知器（MLP）和平均值算法等鲁棒机器学习技术进行了比较。Modulo 9可以防止整数溢出,因为问题约束是整数,只有有效的算法才能在允许的有限时间内解决它们。它不会给出运行时错误或异常,而是进行一些虚假计算并存储虚假结果,因为位大小在乘法溢出后出现.这种比较说明了丢失的数据如何影响机器学习算法和基于数据分析输出的决策,并表明本文提出方法方法的性能优于现有的11种方法。第四,本文提出了一种鲁棒性强、效率高、人为干扰少的新型叠加式学习实体识别（ER）系统用于重复数据消除。该方法对双向递归神经网络（Bi RNNs）和长短期记忆（LSTM）隐藏单元的复杂组合方法进行了评估,将元组更新为某种意义上的词表示分布,以捕获元组之间的相似性。该方法将没有预先训练好的单词嵌入,从而在不同情境下实现对ER任务定制单词表示分布的学习和调整。此外,与传统的属性较少的分块方法相比,本文采用基于局部敏感哈希（LSH）的分块方法以考虑元组的全部属性,从而产生了更细的分块。该算法在多个数据集（即基准测试集和多语言数据集）上进行了测试。结果表明,使用现有解决方案,堆叠式重复数据消除学习在效率和准确性之间取得了性能较好的平衡。