在科技飞速发展的今天,各行各业都离不开数据的采集、记录、分析等操作,因此累积了相当庞大的数据量,而数据缺失是不可避免的问题。数据中的缺失值可能存在重要信息,从而会影响到数据挖掘结果的准确性,因此对不完整数据建模并对缺失值加以填补已经成为一项越来越重要的任务。回归填补通过分析数据集中的存在值和缺失值间的回归关系,对不完整数据建立回归模型从而完成填补,是一种常见的填补方法。但在不同的样本类别上属性间的回归关系通常是不同的,因此本文在TS模糊模型（Takagi-Sugeno Fuzzy model）的框架下,提出一种为不完整数据建立属性间精细回归模型的填补方法。在对不均衡数据集进行模糊建模的过程中通常会把多数类中的样本划分到少数类中。考虑到数据集中类不均衡的情况大量存在,该方法在TS前提参数辨识环节中提出一种基于局部距离的距离密度算法以获得不完整数据的划分,并在此基础上给出了一种样本隶属度的重构策略。为了进一步提高模型的精细度,在TS结论参数辨识环节中对每个模糊子集采用RRelief F算法来选择模型输入的相关特征。该方法针对建模过程中缺失值的存在导致模型输入不完整的问题,将缺失值视为变量,采用迭代学习的方式,动态学习缺失值、模型结构和结论参数,直至迭代收敛。伴随着属性回归建模的完成还可同时获得缺失值的填补结果。本文通过上述所提出方法对不均衡不完整数据建模,进而对缺失值进行填补。在UCI、KEEL数据集的实验结果表明,与传统的回归填补法相比,所提出方法不仅能够考虑到数据集中类不均衡的特性,同时能实现不完整数据中观测数据的充分利用,进而填补精度能够得到有效的提高。