随着大数据时代的来临,我们可以通过数据挖掘技术从海量的数据中获取隐藏在数据背后的信息,从而为决策提供正确的指导。然而在现实生活的各个领域中,数据缺失是一个几乎无法避免的问题。高质量的数据是高质量数据分析的前提,因此如何有效的填补缺失值已经成为近年来的一个研究热点。作为一种较为流行的填补方法,回归填补法首先对不完整数据建立回归模型,然后基于所建的回归模型来预测缺失值。然而传统的回归填补法用一个线性回归方程对所有的数据进行拟合,并没有考虑到属性之间可能存在两种或两种以上的回归关系。而且,针对模型输入数据不完整的问题,传统的做法是删除不完整样本或将缺失值进行预填补。剔除不完整样本会丢失相当多的有用信息,而缺失值的预填补使得预填值的质量对模型精度和填补性能有着直接的影响。为此,本文提出一种基于Takagi-Sugeno(TS)模糊模型的不完整数据建模方法来填补缺失值。该方法首先对输入空间进行模糊划分,并对每个模糊子集建立一个特定的线性回归模型,然后采用局部线性模型的加权和来构建全局模型,从而在传统回归建模的基础上提升模型的精细度。而且,对每个模糊子集使用逐步回归算法进行显著特征的选择以进一步提高模型的精细度。针对模型输入的不完整性,本文将缺失值视为变量,并提出一种让输入特征的选择、模型的参数和缺失值的填补三者交替学习的模型求解策略,在建模完成的同时填补也伴随式的完成。本文使用了10个真实的数据集和1个人工数据集进行实验,实验结果表明了模糊划分、特征选择和交替学习三者都能提高所建不完整数据模型的精细度,进而提升填补精度。最后,将所提方法应用于中国家庭跟踪调查2016数据集的填补。