随着中国民航建设的迅猛发展,在拉动国家GDP增长的同时,噪声污染问题也越发突出,噪声防治工作变得极为重要。在物联网技术的快速发展的情况下,大规模远程监测系统在各行各业得到广泛应用。监测系统通常由大量传感器组成,通过收集和分析来自传感网络的实时数据,不仅可以反映监测系统的实时运行状态,还可以帮助机场工作人员在异常故障发生时做出最佳决策。在噪声波及范围内设置多个噪声监测点来及时捕获噪声数据,进而对噪声数据进行分析,为噪声防治提供决策依据。这就要求各监测设备能连续不断地获取并传送反映该监测点真实情况的噪声数据。然而,噪声监测点设备会不可避免地发生损坏、老化或其他一些异常情况导致其不能正常工作。通常,由于监测节点的地理分布和设备的复杂性,传感器硬件可能无法在短时间内修复。因此,当节点异常时如何以软件方式补全缺失数据引起了研究人员的广泛关注。本文利用深度学习在特征提取、数据处理方面的优势,在缺失数据补全方面对算法进行改进和优化,并在首都机场实测的噪声数据集上进行有效性验证,主要的工作有以下三点:(1)监测系统中的缺失数据补全问题是监测系统中普遍存在的现象,本文从缺失数据补全的问题出发,对大规模监测系统中缺失数据补全问题进行综述,详细介绍了数据缺失问题,经典的数据补全方法以及基于数据挖掘的数据补全方法。(2)针对传统数据补全方法在特征提取方面的弱势,本文提出了基于深度降噪自编码的数据补全方法,利用深度学习模型在模型预处理的部分进行优化。通过重构输入数据和学习输入数据的压缩表示,获得样本集深层特征的新表达形式,不仅充分反映了输入数据的特性,还极大地减少了相关信息之间存在的冗余。结合实际实验条件,完善了基于深度降噪自编码模型的结构设计和参数设置。最终通过实验验证了基于深度降噪自编码模型在特征提取预处理方面的优越性。(3)针对浅层模型的数据补全方法在预测中往往不能取得令人满意的结果的问题,提出了基于深度信念网络的数据补全方法。该方法本质上考虑了建模过程中数据的空间和时间相关性。利用相似性度量的方法选择高度相关的监测节点,减少数据中干扰信息的影响,进一步提高模型预测精度。为了快速准确地确定深度信念网络中隐层及其节点的数量,应用最小重构误差准则和本征维数估计方法来选择合适的深度信念网络超参数。通过在机场噪声监测数据集上与多个经典数据补全方法进行对比,验证了基于深度信念网络的数据补全方法的优越性。