数据质量是衡量数据好坏的重要标准之一。通常数据质量分为几个维度来评价数据的好坏:一致性,完整性,准确性,数据冗余。在许多领域中,如商业、音乐、体育等,这些数据源可能会提供劣质的数据信息。这些劣质的数据会给用户在很多方面造成不便(如数据冗余,不一致,不完整等),导致数据的利用有效性降低。因此我们需要一个快速有效的检测数据错误的方法提高数据的使用效率。一致性是数据质量的核心标准之一。当同一实体的相同属性出现不同信息,这个数据就是不一致的。数据不一致性会导致数据质量降低,在数据源指代同一实体时包含错误或矛盾的数据,使得数据源选择难度增大,数据源的可靠性降低。当前针对数据一致性的检测主要是通过检查数据是否违反依赖规则,例如函数依赖、条件函数依赖等来判定。然而,仅仅通过依赖规则来检测不一致错误是不够的,这是因为一个完全满足依赖规则集合的数据集依然可能存在着错误。为了发现目标数据集中更多的错误,我们考虑同时利用多数据源和依赖规则集合检测目标数据集中的不一致错误。然而,由于数据源数目的庞大,访问所有的数据源会引入巨大开销,这使得不一致检测的成本过于巨大。为解决该问题,我们考虑从数据源集合中选择k个数据源,使得能最大化检测目标数据集中的不一致。我们称其为“不一致检测中的数据源选择问题”。常见的依赖规则包含函数依赖和匹配依赖。第三章针对函数依赖规则集合,提出了基于函数依赖规则集合的多数据源选择问题;利用布隆过滤器技术,设计了一种有效的签名,使得在不访问数据源的情况下可以利用数据的签名对数据源进行有效的选择。第四章针对匹配依赖规则集合,提出了基于匹配依赖规则集合的多数据源选择问题;利用最小哈希技术对数据设计第一层签名后,再利用布隆过滤器技术对第一层签名设计签名,从而利用数据签名对数据源进行有效选择。理论分析和实验结果均证明了本文方法的正确性和有效性。