在Web数据集成中,常出现多个数据源对同一实体对象的描述存在冲突。解决冲突,发现真值有助于提高数据集成质量或构建高质量的知识库等。在单真值数据冲突中,已有方法存在数据源质量衡量指标不充分,以及无法处理复杂数据复制等局限性。对于多真值数据冲突,已有方法中一类属于有监督算法,人工代价较大;另一类采用概率图模型计算真值,如果模型中假设的隐藏变量所服从的分布与实际数据不吻合时,可能结果较差。因此,本文对单真值和多真值数据冲突进行了研究,主要内容包括以下三部分。第一部分,基于单质量指标的单真值发现。采用单质量指标准确度度量数据源质量,在准确度计算中同时考虑数据源自身提供的事实以及没有提供的相应冲突事实。此外,对于数据复制导致的真值误判问题,将提供每条事实的数据源集合看作一个整体,用数据源群组的联合准确度捕获数据源间的数据复制。基于贝叶斯模型,提出了处理单真值情况的基于单质量指标的真值发现算法。第二部分,基于多质量指标的单真值发现。采用多个质量指标(召回率和假真率)度量数据源质量,有效区分了假真和数据缺失,从而在假设数据源独立的情况下提出了更为精准的单真值发现算法。此外,用联合召回率和联合假真率处理数据源间的数据复制,提出了能处理复杂数据复制的单真值发现算法。第三部分,基于多质量指标的多真值发现。分析了多真值情况与单真值的不同,在实体范围内统计计算数据源的质量指标召回率和假真率,提出了一种新的无监督算法处理假设数据源独立情况下的真值发现。最后,通过大量真实数据集和人工数据集上的实验验证了本文多质量指标的有效性,并证明了本文提出的解决单真值数据冲突和多真值数据冲突的方法的有效性。