随着传感器技术、计算机技术的发展，输变电设备带电/在线监测数据呈现来源广、体量大和类型多等大数据特征，各类带电/在线监测装置种类繁多、产品质量良莠不齐。此外，不同输变电设备运行在不同外部环境和电网工况中，在数据采集、传输、获取和存储过程中不可避免地产生异常数据和缺失数据。这些数据破坏了原始数据的完整性和可用性。为提高数据挖掘、输变电设备状态评估和故障诊断的可靠性，开展设备状态监测数据质量提升的研究具有重要意义。　　本文以输变电设备状态监测数据质量提升为目标，在分析了异常数据的特点和规律后，研究了基于时间序列和DBSCAN聚类的监测数据预处理方法、基于关联分析和集成学习的监测数据预处理方法及状态监测数据质量综合评价方法，并取得如下研究成果:　　①针对少量孤立的异常和缺失数据，提出了基于时间序列和DBSCAN聚类的数据预处理方法，采用最小边界矩形法对状态监测时间序列数据分段，结合距离与密度双重判据完成异常数据识别，采用基于密度的DBSCAN聚类方法实现缺失数据的填补，提高了数据的完整性和正确性。　　②针对大量连续的异常和缺失数据，提出了基于灰色关联分析和集成学习的数据预处理方法，通过收集与待预处理数据相关的多种状态监测数据，并对数据进行等时间间隔处理和量测时间同步，采用关联分析提取与待预处理数据关联较大的状态量，建立关键参量集。建立基于随机森林的集成学习方法，对待预处理数据进行预测，根据预测结果实现异常数据检出和缺失数据填补，实例分析表明，该方法能够识别正确识别大量连续的异常数据和准确填补缺失数据。　　③提出了一种适用于状态监测数据的数据质量综合评价方法，建立基于正确性、完整性、规范性和有效性的评价指标，采用主观权重和客观权重计算各评价指标的重要度，通过加权模型实现数据质量多层面、全方位的综合评价。实例分析表明本文提出的数据质量评价体系具有良好的实用价值与推广应用前景。