面对源源不断产生的海量数据,人们希望能从中揭示事物潜在的规律,发掘具有重要价值的知识。但缺失数据的存在不仅增加了数据挖掘的难度,并会降低分析结果的可靠性。合理填补缺失值成为当前数据分析和挖掘中一个非常重要的环节。对此,本文采用数据建模的方法填补不完整数据中的缺失值,通过构建模型挖掘数据属性间的关联关系,以提高模型对不完整数据属性关联关系的逼近能力为目标,开展了如下工作:（1）针对“不同样本类别间的属性关联关系往往存在一定差异性”这一现象,采用依类建模的思路,建立不完整数据属性间的线性回归模型。首先,利用基于优化完整策略的模糊C均值聚类（OCS-FCM）算法对不完整数据集进行划分,然后在各模糊子集上分别为相应的属性关联关系建立线性回归模型,进而实现了基于Takagi-Sugeno（T-S）结构的不完整数据属性关联建模以及基于模型的缺失值重构填补。（2）针对不完整数据属性间关联关系的复杂性,提出了一种不完整数据单输出子网建模方法,依次以每一缺失属性单独作输出,其他属性作输入构建神经网络模型,该网络结构能深刻刻画出每一属性与其他属性间的关联关系。针对由于缺失值存在所导致的模型输入不完整的问题,从缺失值的对待和描述切入,提出将缺失值视为系统级变量,通过子网间的迭代学习实现网络参数的交替更新与缺失值的动态填补。该方法可有效利用不完整数据中所有的存在属性值信息,所获得的子网群模型是对不完整数据中所有存在属性值所蕴含的属性关联关系的一种拟合。（3）在上述两方面研究的基础上,提出将单输出子网群架构于T-S模糊系统的不完整数据属性关联建模方法。在OCS-FCM模糊划分的基础上,依托各模糊子集分别为不完整数据建立单输出子网群模型,并通过隶属度信息将各子集上的子网群模型平滑连接,进而建立了不完整数据的“TS-子网群”模型,实现了基于模型的缺失值填补。所提出的“TS-子网群”建模方法充分结合了T-S依类建模的精细性和单输出子网拟合的精确性,实验结果验证了该方法有效性。