传统的批量转录组测序技术（即Bulk RNA-seq）能够用于估计基因在样本细胞群中的平均表达水平,但缺失了基因在细胞间的表达异质性信息。相比而言,单细胞转录组测序技术（scRNA-seq）可在单细胞水平分析基因表达。scRNA-seq不仅能用于揭示不同类型细胞间的基因表达差异,指导基因调控网络构建、胚胎发育和脑神经研究等,还能为相关药物研发和临床医疗提供重要依据。由于scRNA-seq的起始mRNA数量少和当前测序技术的局限性,往往无法检测到单个细胞中的全部mRNA,最终导致基因表达信息缺失,表现为量化形成的基因表达计数矩阵的稀疏程度较高。其中由scRNA-seq过程的技术原因所导致的计数“0”值被称为“丢失”（dropout）。scRNA-seq数据的高稀疏性可能会影响细胞聚类、差异表达、轨迹推断等下游分析。对此,多种噪声消除（denoise）或插补（imputation）方法开始被用于恢复包含dropout在内的基因表达缺失数据。然而,这些插补方法对基因共表达分析的影响尚未得到系统性研究,同时亟需更为可靠的scRNA-seq数据插补方法。针对以上问题,本文对scRNA-seq数据插补方法进行了详细研究和实现,主要贡献包括:（1）系统分析了不同插补方法对基因共表达分析的影响。通过仿真分别建立了含有“真实”基因共表达信息的同质性细胞群和异质性细胞群的数据集,并利用泊松（Poisson）抽样模拟了 scRNA-seq数据缺失过程,产生了含有dropout的基因表达缺失数据集。后将包括 MAGIC、DeepImpute、scImpute、scRecover、SAVER 在内的多种插补方法分别应用于以上缺失数据集,并对插补前后的基因共表达模式进行了比较分析。实验结果表明,相较于异质性数据,同质性数据在插补后更能够保留基因共表达信息。同时,SAVER在这两种类型数据上的表现均强于其他几种插补方法,即更能够保留基因共表达信息。（2）提出了一种基于自动编码器的scRNA-seq数据插补方法。首先对scRNA-seq数据进行仿真,得到Poisson抽样前后的模拟数据。接着对传统自动编码器进行改造,将每列细胞压缩编码,对scRNA-seq数据进行重构。与传统自动编码器不同的是,这里所使用的损失函数是模拟数据抽样前符合Gamma分布的数据。利用深度学习中的参数学习重构scRNA-seq原始数据,对数据集分组并根据带有相关性的模拟数据训练得到真实的插补数据,减少dropout事件引起的分析误差。实验证明,本文提出的插补方法在恢复基因表达值上有较高准确性,并适用于大规模数据集。综上,本文在系统研究和分析现有scRNA-seq数据插补方法性能的基础上,提出并实现了一种新型的插补方法,以此推动该领域研究的发展。