在真实世界的数据集中,数据缺失的情况非常普遍,例如:交通数据、人口统计信息数据、医疗数据等。数据的缺失导致了数据质量下降、诸多信息丧失,在机器学习的研究中,如果将这种残缺的数据作为模型的数据集,模型系统中表现出的不确定性将会更加显著,还会导致模型对数据信息的挖掘走向混沌的状态,最后得到不靠谱的输出。如果利用常用的算法来分析不完整的数据集,不仅会增加建模的难度,还会给后面的分析留下隐患。现有的大多数算法不具有直接处理缺失数据的能力,因此需要在实验开始前对缺失数据进行有效的处理,后续的实验才能顺利的进行,如何处理缺失数据,并且保留数据集中特征属性之间的关联性,补全的信息尽量符合真实的信息是数据处理过程中一个重要的问题。目前,对于缺失值的处理方式主要分为两种:直接删除不完整的样本、补全缺失项。在现有数据集不大,所利用的有效信息不多时,直接删除不完整样本会导致模型建模的数据量减小,本文所使用的ADNIMERGE数据集中,大部分的患者记录中都有不同程度的缺失,如果直接删除含缺失项的数据,将会导致大量的信息丢失。因此补全缺失项是一个合理的解决方案。本文针对阿尔兹海默症病人的脑组织特征进行缺失项补全,每个脑组织对应脑区的特定功能,阿尔兹海默症在大脑中的宏观变化体现在各个脑组织的萎缩和退化,脑组织之间的变化是有密切的联系的。本文研究的一个重点在于特征补全时,如何保留特征之间的联系以及利用这种联系使得填补值更加精确,并利用补全后的脑组织特征对阿尔兹海默症的病程进行预测,来验证填补的有效性。1)本文提出了一种特征保留型自编码器,融合了去跟踪自编码器和多重填补降噪自编码器的优点,并对该模型进行了改进。融合的两种自编码器,前者能有效解决自编码器存在的恒等映射问题,后者能很好的挖掘并保留特征间的相关性。融合之前对特征数据进行预填补,有效的缓解了降噪后的信息损失,并加快了模型的训练过程。2)对于填补好的脑组织特征数据集,通过对两次诊断记录进行融合,将带有脑组织形态学变化的组合特征进入到数据集中,针对和阿尔兹海默症相关性高的脑组织做合成处理,经过特征降维处理后,通过几种分类模型来验证填补效果。3)为了解决ADNIMERGE数据集中脑组织特征大量缺失,并且特征数据每日都在更新的问题,同时为了满足单个用户通过脑组织的形态变化来判断自己是否有患病的风险,本文设计并实现了脑组织特征填补及AD病程辅助诊断系统,针对研究人员设计了特征数据集填补,针对个人设计了特征填补及病程预测。