当前人类社会正处于大数据时代,数据的数量正以前所未有的速度急剧增长,然而数据的质量也同样在快速下降,数据质量（数据可用性）问题已经成为数据管理领域不可忽视的热点问题。作为数据可用性问题5个维度的一员,数据时效性问题已经成为不可忽视的关键问题。由于现实生活中的事物会随着时间的流逝而产生变化,因此作为现实事物客观反映的数据在数据库中会过时失效。在实际应用场景中,往往缺少完整可靠的时间戳,当前数据时效性领域的研究主要包括时效性判定和时效性修复两个重要的问题。本文根据已有的相关研究成果,改进并提出了一系列大数据时效性管理的关键技术。在时效性判定问题上,目前已有的时效性判定算法根据实体属性上的时效规则以及实体的冗余记录构造时效图,并基于时效图判定数据的时效性。本文针对时效图构造算法时间复杂度过高,在海量数据的应用场景中表现不佳的问题,基于时效规则提出了状态图的概念,状态图相比时效图具有更好的空间复杂度,非常适合在分布式场景中传输,用状态图替代时效图的构造算法可以大大优化时效性判定算法在分布式场景中的执行效率。另外,本文还针对用户对数据库不同维度的查询请求,给出了不同维度的时效性度量方法。在时效性修复问题上,本文深入研究了一种特殊的数据时效性关联错误。给出了实体冗余记录是否具有数据时效性关联错误的判定原理,并给出整个数据库是否有数据时效性关联错误的判定算法。然而仅仅判定数据库是否有数据时效性关联错误是不够的,为了数据时效性判定算法的正确计算,还需要对实体的冗余记录进行时效性关联错误修复。本文将给出一种时效性关联错误的检测方法,并基于检测方法给出一种高效的时效性关联错误修复算法。