不完备数据是在当今许多进行的实验研究领域和调查研究领域中普遍存在着的问题。不完备数据会增加分析任务的难度,造成结果偏倚,在一定程度上降低了统计工作的效率。特别是在完全观测与不完全观测存在着系统差异的情况下,运用常规的统计学方法对不完备数据集做出的分析结论会存在严重的局限性,是不能替代完全观测的。而数据清理技术的新发展,使得运用更为先进的方法成为可能。数据挖掘,也称之为数据库中知识发现,是一个可以从海量数据中智能地和自动地抽取一些有用的、可信的、有效的和可以理解的模式的过程。缺失数据填补是数据挖掘的重要研究内容之一。本文就是针对不完备数据的填补处理这一内容展开的,主要工作如下:1.介绍课题研究背景、国内外研究现状以及缺失数据分类机制;系统阐述了缺失数据填补算法的工作原理和实现方式;2.通过估计参数的相对误差大小比较了四种目前比较有前景的缺失数据处理方法的效果;3.本文的研究重点是新型关系矩阵模型,新型关系矩阵完整地记录了各对象之间条件属性以及决策属性的异同情况,以此挖掘对象间的潜在联系,并进行空缺值的填补处理。填补的结果不会破坏系统的协调性;4.针对本文算法进行了两组相关实验。实验一分别采用均值法、条件均值法以及本文算法处理UCI中的三个数据集,对比恢复率;实验二主要考察本文算法在不同缺失率下的填补准确性,研究包括七种缺失程度的数据。