随着信息技术的快速发展和互连网的普及,海量的数据出现在人们的面前,人们可以很容易地获取大量的信息,从而方便了我们的生活,学习和工作。与此同时,人们越来越倾向于综合地利用信息,但由于不同的环境和不同的设计人员,导致数据源间大多是异构的,而数据源间的这种异构性成为人们综合利用信息的一个障碍。为了解决这个问题,需要进行数据集成。进行数据集成的关键问题是发现正确的语义映射关系,即模式匹配。作为解决数据源间异构问题的关键性操作—模式匹配,已经越来越引起人们的重视。在对目前已有的属性匹配算法进行深入的研究分析后,发现基于BP神经网络的属性匹配方法在属性匹配方面较其他方法有很大的优势,能够有效的进行属性匹配。但是目前的基于BP神经网络的属性匹配方法仍然存在着不足之处,如匹配空间过大,干扰匹配项过多,不能很好的进行异类型相同属性的匹配等。针对这些不足之处,本文提出了新的匹配算法—HPAM匹配算法,该算法由五个阶段组成,包括表的匹配阶段,相似表间属性的匹配阶段,剩余属性的匹配阶段,补充的属性匹配阶段,用户验证阶段。而且在HPAM匹配算法中提出了表匹配方法,并行训练与匹配的方法,双向过滤法及异类型相同属性的匹配方法,HPAM匹配算法提高了匹配效率,匹配查准率,匹配查全率。最后,本文通过实验对HPAM匹配算法进行验证,并对实验结果进行对比分析,实验表明了HPAM匹配算法的优越性,并讨论了今后进一步改进的方向。