现在,大规模生态监测站普遍通过布置传感网来收集传送数据,实现对分布地理区域进行实时、远程监测。然而,由于网络的不稳定性和仪器的故障,所采集的数据频繁出现大规模的连续缺失,给生态学的后续研究造成很大的障碍。这种连续缺失不同于传统手动采集数据集中出现的分布缺失。目前,针对连续缺失填补的研究还很少。因此,如何高效且精准的填补连续缺失值是传感网和生态监测站中一个亟待解决的预处理问题。在传感网和生态监测站中,所采集的通常是时间序列数据。从而连续缺失值填补的实质是时间序列多步预测。本文首先重点研究了具有代表性的八种时间序列缺失值填补算法,并比较分析这八种填补算法在不同缺失规模和不同波动性数据集下的填补性能。在此基础上,对填补性能好的径向基(RBF)神经网络进行了改进。为了避免因模型参数设置不当而出现的严重过拟合或欠拟合现象,本文提出新的参数学习算法(EasyRBF)来有效地确定RBF神经网络模型参数。EasyRBF算法的主要思想如下:(1)将RBF神经网络的模型参数分阶段进行优化,(2)通过嵌套两个粒子群算法(PSO)来同时优化关键的RBF神经网络模型参数。在澳大利亚生态监测站数据集上进行了大量的实验,来评测EasyRBF的填补性能。实验结果表明,相比其它填补算法,EasyRBF在填补大规模连续缺失土壤数据上能获得更高的填补精度。