近年来,随着我国阳光型、服务型政府的不断建设,政府统计数据质量得到的全面提升。我国的林业统计数据作为政府统计数据的重要部分,依旧存在着质量不高、准确性低,甚至数据失真的情况,影响统计功能特别是决策支持功能的发挥,因此研究如何评估林业统计数据质量问题具有重要的理论和实际应用价值。本文基于以上背景对数据质量评估方法进行研究。首先,在文献研究的基础上,梳理了数据质量理论和异常检测在林业数据上的研究现状,异常识别方法进行研究,并对异常检测算法对比分析。其次,以林业统计时间序列数据为对象,采用数据挖掘技术与人工经验结合的方法,对现有林业统计数据质量进行评估,将林业统计数据按内容和性质分为林业生态统计数据、林业投资统计数据和林业产业统计数据,初步判断异常值的分布,根据数据的分布特征选择检测手段,在检测出异常之后同时在局部模型变化和整体变化中,挖掘背后信息。林业生态数据采用无监督的KNN、LOF、CBLOF、孤立森林算法,林业投资数据采用无监督的LOF、CBLOF算法,林业产业统计数据采用无监督的LOF算法,对各类林业统计数据的异常值进行识别和数据质量评估。结果表明:筛选出KNN、LOF、CBLOF、孤立森林四种无监督异常检测能准确地识别初步判断异常值的分布,可以很好的适用于林业统计数据的异常识别中。KNN和孤立森林算法,识别数据维度差异较大时,有较好的表现效果,同时孤立森林因为无需对参数进行假设,操作更简便;而LOF很好的考虑到数据的局部变化,探究出数据变化不符合局部规律的点;数据存在明显的类别时,使用CBLOF算法,效率高且性能较高。从数据质量来看,本文所选的林业生态统计数据、林业投资统计数据和林业产业统计数据所挖掘出其异常值,能准确探究到背后新事物的出现或者新机制的发生,整体来看林业统计数据质量较好。但在林业生态统计数据中,我国1984年—1985年人工造林面积偏高存在异常,被判为杂质点;林业投资数据中,我国1990年林业社会投资偏高存在异常,被判为杂质点,数据杂质点通过数据插补工作重新填入数据中。本文的主要贡献是在林业统计数据质量中,提出了基于数据挖掘的异常检测方法来检测数据之间质量,并运用不一致的数据和异常检测手段。通过实证研究表明,本文基于数据挖掘的方案能够有效识别异常并进行评估。