随着高通量DNA微阵列检测技术的发展,产生了众多的基因相关数据,数量庞大的基因和生物网络的复杂性成为理解和解释这些数据的巨大挑战。聚类作为一种重要的数据分析方法,常用于分析基因表达数据。通过聚类阐明隐藏在基因表达数据中的模式,从中获取细胞的生理状态、基因表达调控信息以及基因功能对功能基因组学的研究有着重要的意义。在基因表达数据的获取过程中,受设备、实验环境、采集方法等因素影响,很多数据不可避免地存在缺失值,其填补准确度在一定程度上影响了最终的聚类效果。现有的针对不完备基因表达数据的聚类算法通常为“两阶段”算法,即将缺失值填补作为数据预处理过程,在填补后的数据集上进行聚类。“两阶段”算法常用且简单,但忽略了缺失值填补和聚类都依赖于挖掘数据集中基因的相关性,割裂了缺失值填补与聚类过程,影响了两者的协同进化。针对这一问题,本文提出了缺失值填补与聚类一体化求解的不完备基因表达数据多目标聚类算法。（1）本文从提高缺失表达值填补准确度的角度出发,提出了基于近邻区间的不完备基因表达数据多目标聚类算法。算法首先利用最近邻规则确定缺失表达值的近邻区间,将缺失表达值搜索限定在合理范围内,然后在多目标优化框架NSGA-Ⅱ下设置聚类中心与缺失表达值的混合编码,实现两者的协同学习。在相应最近邻区间内搜索优化的估计值,能够避免不合适信息对缺失表达值填补的误导,相比于在预处理过程中利用统计信息进行填补然后聚类的“两阶段”方法,所提一体化算法在利用数据集信息的基础上将聚类结果也作为填补因素,使得算法能够有效估计缺失表达值,进而提升不完备基因表达数据的聚类效果。（2）将基因相关领域知识整合到不完备基因表达数据的分析过程,有助于提高缺失表达值的填补准确度,鉴于此,本文提出了基于功能近邻区间的不完备基因表达数据多目标聚类算法。算法首先利用基因本体数据库得到基因语义相似度,融合基因语义相似度和表达值相似度确定缺失表达值的功能近邻区间,得到更贴近基因功能的缺失值搜索范围。在此基础上,采用混合编码实现缺失表达值填补与聚类中心的协同进化,达到提高填补准确度并改善聚类性能的目的。在多个基因表达数据集上的实验结果表明,所提算法较单纯基于基因表达数据的算法得到了更接近真实表达值的填补结果及更紧凑的聚类效果,且所得聚类结果是生物学显著的。