面对数据爆炸式积累的大数据时代,从海量数据中如何高效的挖掘信息成为了一项有意义的研究课题。分类是数据挖掘中基本且重要的技术,在生物特征识别、文档分类、医学诊断等领域有着广泛应用,而数据缺失是进行分类任务时需要处理的一个常见缺陷。真实数据集中通常会存在数量不等的数据缺失,从而增大了数据分析的难度。在此背景下,本文论述了一种不完整数据分类辅助缺失值填补的多任务学习模型,以提高缺失值填补性能为切入点,研究充分利用不完整样本中隐含的有价值信息的填补方法。该方法在自联想神经网络的基础上建立了一种基于置信度的属性互联多任务学习模型,通过优化输出层节点的数据传输路径,构建主要填补任务与次要分类任务并行的多任务学习架构。同时为了提高数据集中已知观测值的利用率,将不完整样本加入到训练集中一同参与模型训练。然后利用样本中的属性缺失率作为该样本的初始置信度,以调节不完整样本和完整样本输入对模型参数优化的影响程度。另外,在神经网络的分段式填补方案的基础上,将缺失值作为未知变量参与到模型训练的过程中,同时基于优化算法对缺失值进行迭代式更新,以此降低预填补引入的估计偏差。同时,将分类任务得到的结果用来动态更新置信度,从而改进代价函数的权重以改变对模型参数优化的程度。让模型的训练与填补同时进行,即训练结束填补也伴随式完成。本文选用UCI、KEEL中的数据集对上述两部分研究内容分别进行了实验,验证了所提模型和填补方案在不完整数据分类和缺失值填补方面具有较高的准确性。在数据质量难以保障的今天,本文涉及面向不完整数据的分类和填补方法的研究具有现实意义。