近几年互联网信息技术的飞速发展给个人、企业、政府部门以及社会的方方面面带来的极大的便利,大量的电子数据随之产生,数据在各个领域的作用也变得更加显著。XML类型数据作为代表性的半结构化形式的数据,因其自身的可扩展性、自我描述性等特性在各个领域具有巨大的应用前景,已成为信息系统中数据交换和传输的标准。由于XML数据的数据表现形式灵活自由,当多个不同的用户或者程序以XML格式来描述现实实体对象时,就会出现同一实体对象的不同XML数据描述,造成了相似重复数据问题广泛的存在于XML数据领域中,进而产生了大量的冗余信息,使得数据的可用性变差,浪费存储空间。目前针对XML数据质量问题研究最多的是XML数据的相似重复数据的清洗,而XML重复数据清洗的重点是重复数据的检测和清除,现有的工具方法对XML重复数据的检测效率和清洗准确性有进一步的提升空间。本文以此为切入点,针对XML数据的相似重复问题进行了研究,研究重点是XML重复数据的检测和清洗算法,提高对XML重复数据的检测准确性和清洗效率,主要研究如下:针对重复数据的清除问题,优化了传统的邻近排序算法(Sorted Neighborhood Method,SNM),提出了窗口大小自适应的ICSNM方法。通过模拟实验证明ICSNM比原始的SNM方法在效率和评价指标上都有部分提高,使数据清洗更加准确高效。针对XML数据的重复检测,设计了基于贝叶斯网络的识别方法,为XML数据构造贝叶斯网络,在识别两个XML对象是否重复时,该方法不仅考虑了子节点的重复概率,而且还考虑了所有后代的重复概率。通过实验证明,基于贝叶斯网络的重复数据检测方法在检测准确率上有一定的提高,可以更好的检测出数据集中的相似重复数据。基于前面的研究工作成果,设计了针对XML相似重复数据的检测清洗工具XSNM,通过与DogmatiX方法进行对比实验,验证了X-SNM在查准率、查全率和时间效率三方面比DogmatiX方法具有明显的优势。