在数据管理中，数据质量问题是最重要的议题之一。传统数据库着眼于数据的量的管理，即支持大量数据的创建、维护和检索。但是现实世界中的数据存在着诸多质量问题：不一致、重复、不精确、不完整或者过时。劣质数据可对社会生活中的诸多环节产生严重的后果。因此数据质量管理在信息化社会中具有巨大的应用需求和潜质。实体识别技术是数据质量管理技术中的重要环节。实体识别技术致力于发现来源于不同数据源的同一现实世界实体的不同表示形式。实体识别的结果有助于解决上述数据质量问题。因此实体识别技术对于数据质量管理过程具有重要的基础性作用。本文讨论劣质数据集上的实体识别问题，提出了一系列算法以解决具有不精确和过时等问题的劣质数据集上的实体识别问题。本文是第一篇提出针对含有不精确数据的不确定数据集进行实体识别研究的文章，本文给出了概率相似度测度以及基于此测度的相似度链接和聚类算法。在相似度链接算法中，本文提出融合前缀过滤算法以压缩计算空间的优化算法。实验表明，本文所提出的算法可以有效高效的解决不确定数据集上的实体识别问题。针对含有过时数据的时态数据集上的实体识别问题，本文给出了基于规则的解决方案，本文也是第一篇给出时间戳不可用的情况下时态数据集上的实体识别算法的文章。针对这一问题，本文提出在相似度链接算法中首先利用数据时序规则(data currency rules)以确定时态元组的相对时序顺序，然后在时序顺序的基础上提出元组属性的不稳定性特性以对时态元组的属性的进化特性进行建模。结果显示，在相似度链接算法中融入元组的不确定性特性可以提高相似度链接的准确率。此外，本文还针对上述数据集提出了时态聚类算法，并给出相应的优化算法。实验表明，本文所提出的算法能够有效的解决时间戳不可用的时态数据集上的实体识别问题。