不完整数据分类问题是机器学习领域中的一个重要分支。随着传感器技术、信息技术等科学技术的迅猛发展,数据获取途径日益丰富,这给机器学习、数据挖掘等领域的发展带来了极大的机遇。然而在实践中,通常会因为存储设备损坏、数据采集设备能力有限等多种因素导致数据出现缺失的情况,传统的机器学习分类算法往往是针对完整数据而设计的,因此,缺失值的存在导致了多数现有数据分析方法的不适用。尽管有少数算法可以直接对不完整数据进行分类。但是,当原始数据集中包含大量缺失值时,分类性能严重降低。因此,对于不完整数据处理和分类问题的研究逐渐成为备受关注的课题。缺失值填充是当前较为主流的不完整数据处理方法。当前已有许多缺失值填充方法(包括单一填充和多重填充)用于处理不完整数据分类问题。大量研究表明,这些经典的填充方法在不同场景下有着各自的优势且在分类之前将缺失值填充完整的策略能够有效提升不完整数据的分类精度。因此,如何融合不同填充方法的优势来提升不完整数据的分类性能具有十分重要的意义。此外,现有方法在填充缺失值时对于样本在空间分布上的有效信息考虑不多。鉴于此,本文对于如何利用样本的空间局部邻域信息提升不完整数据填充效率和分类性能进行研究。首先介绍了不完整数据分类问题中的难点及其主要存在的问题;然后简述了现有的传统不完整数据分类方法并简要分析了它们的核心思想和优缺点;然后本文主要从以下两个方面进行研究:1、本文首先提出了一种可广泛应用于诸多现有填充方法的框架(CCA-IR),由预填充、空间邻域信息挖掘和修正填充三部分构成,主要思想是对经过现有填充方法填充过后所得完整数据集构造性的建立覆盖,以此进一步挖掘样本在空间分布中的有效信息,利用样本在空间分布中的局部邻域信息对预填充结果进行修正填充从而提升不完整数据的填充效果,使得修正填充后的值更接近于真实值。2、CCA-IR框架的提出是为了提升现有不完整数据填充方法的填充效果,并且仅考虑对单个填充方法所得结果进行修正填充。在此基础之上,本文进一步的又提出了两种新的方法对不完整数据进行分类:1)基于精度加权修正填充的不完整数据分类方法(WIRFA)和2)基于局部邻域信息修正填充的不完整数据集成分类方法(E-IRSNI),二者在对不完整数据分类前均对原始数据集进行了修正填充,但区别于CCA-IR框架的是,两种方法都融合了不同缺失值填充方法的优势,前者通过分类精度进行缺失值的加权修正,后者则是通过挖掘样本在空间中的分布,利用局部邻域信息修正缺失值,继而构建集成学习进一步提升分类精度。