随着物联网（Internet of Things,Io T）的不断发展,物联网应用逐渐进入人们的日常生活。物联网环境的复杂性、传感器种类多样性与物联网环境动态性等特点,使得物联网设备所收集到的数据种类较多,并且数据收集过程中由于各种原因导致终端设备数据缺失。缺失数据给物联网的数据挖掘、物联网应用等带来较大影响。因此,物联网环境下的不完全数据流填充问题,成为了一个重要的研究课题。本文主要针对物联网环境下不完全数据流的补全问题进行研究,论文主要研究内容如下:（1）物联网环境下离散不完全数据流的研究。本课题组在前期工作中提出了一种基于规则的不完全数据流补全方法。首先,该方法使用缺省逻辑定义补全规则结构,经典粗糙集理论和信息熵用于补全规则生成。其次,基于不同时间粒度样本生成不同补全规则,并使用DLV求解器进行补全结果求解。最后,基于不同时间粒度规则补全结果进行数据融合,得到最终补全结果。针对上述研究,在处理不完全数据流过程中,同一行测试数据中缺失样本较多时,上述方法不能很好的进行数据补全,因此本文提出了一种规则优化的不完全数据流补全方法,在规则生成过程中基于同一时间粒度下生成不同长度规则。在数据补全过程中,该方法在相同时间粒度下对不同长度规则进行选择,若准确率最高的规则不能得到补全结果,那么使用准确率次之的规则,直到得到补全结果,或者所有补全规则都被使用却没有得到此时间粒度下的补全结果,则使用其它时间粒度规则继续补全。通过爬取的智能家居数据集进行实验,实验结果表明,该方法提升了不完全数据流补全方法的有效性与实时性。（2）物联网环境下连续不完全数据流的研究。传统的降维方法不能很好的挖掘数据之间的关系,因此本文提出了一种基于隐式关系挖掘的不完全数据流补全方法。首先,使用邻域粗糙集理论计算连续数据间的关系,挖掘当前属性与其他属性的关联性,即其它属性对当前属性的整体影响。其次,将所生成的关系和数据输入神经网络模型中进行训练,得到补全关系模型。最后,通过实验验证所提出的方法在补全性能上有较高的提升。