随着当前社会经济的繁荣和科学技术的进步,各行各业都积累了大量的数据,这些数据的来源非常的丰富,包括工业大数据,遥测数据,社交网络数据,时间数据、位置数据和文本数据等。各行各业均被数据深刻的影响着。伴随着大量数据而来的一个重大问题就是数据质量问题。由于各种条件的限制,比如传输条件,采集条件,历史条件,输入错误和系统故障等不可避免的因素,导致数据中存在缺失或者矛盾的数据。另外由于数据的来源也日益扩大,也导致了这些数据的利用变得即为困难。为了提高数据的可用性,通过模式转换来进行数据整合并采取措施来提高数据的完整性是非常常用的手段。现有技术在模式匹配上并不够通用,仅考虑关系模式的部分特点,缺乏有效的综合关系模式各个特点的策略。同时现有的缺失值处理技术,需要对数据有限制要求,不能够很好的处理各种类型的数据,全面的覆盖关系模式的每个属性。如何能够有效的对缺失数据进行填充,将这两个过程能够紧密的结合,将是本文的核心研究内容。本文根据关系模式的特点,提出了一种通用的基于加权打分机制的关系模式匹配算法。算法适用于各个领域的关系模式,并且不需要对关系模式做出条件限制,合法定义的关系模式均可以采用本文提出的算法进行匹配。算法考虑了关系模式的各个特点,并通过最优权值学习来综合考虑这些因素,具有较高的准确度。本文通过实验,验证了该算法的有效性。在模式转换的过程中提高数据质量,本文提出了一种利用神经网络作为预测模型,在遇到空值的时候通过网络的输出进行补全的方法。预测模型利用本文提出的特征选择算法选取出合适的属性,并对属性进行向量化和特征扩展,通过以神经网络为基础的自编码器对特征进行压缩和去噪,然后以该模式的数据为训练集,为该模式的每个属性构建了预测模型,在面临缺失值得时候可以通过预测模型进行补全,最后结合前述匹配算法完成数据的转换。基于预测模型来处理缺失值的方法充分考虑了记录各个属性之间的语义关联性,并且利用本文提出的特征向量化方法它可以处理各种类型的属性,易于覆盖所有属性,是一种新颖且通用的算法。本文也通过实验,验证了预测模型的有效性。最后,本文设计了一个原型系统,系统集成了本文提出的关系模式匹配算法和具有质量保障的模式转换算法,提供模式转换的服务,来展示算法的效果。