随着数据仓库、数据挖掘技术的广泛应用,ETL(Extract,Transformation,Loading)作为数据仓库建设中的重要步骤越来越受到开发人员的重视,它决定着数据仓库数据质量以及决策分析的效果。本文对ETL中的数据清洗方法进行了研究,并进行了实现,使ETL过程能够更有效的对数据进行处理,为数据仓库的建设提供更好的支持。　　 本文首先介绍了数据ETL相关的一些基本理论和技术,如ETL、元数据、CWM(Common Warehouse Metamodel)以及数据质量等。其次,针对数据清洗方面的重点算法--相似重复记录检测算法进行了研究,提出了基于改进的K-medoids聚类的相似重复记录检测算法。该算法使用编辑距离与领域专家对权值设定相结合的方法,得到各条记录间的相似度,使用此相似度值对所有记录进行聚类,得到相似重复记录的检测结果。在算法运行过程中,通过比较相似度与预先设定的相似度阈值的大小,自动增加或减少聚类个数,使结果更加准确。通过实验分析,验证了该算法的有效性。接下来,对基于CWM元数据标准的数据清洗方法进行了研究,并提出了基于元数据驱动的标准ETL设计与开发过程,给出了具体的实现步骤。最后,对本文的主要研究成果进行了总结和展望。　　 总之,本文的研究成果对于ETL算法研究和ETL工具开发具有重要的参考价值,对CWM标准的应用和元数据交换策略的选择也具有很好的借鉴作用。