数据的爆炸式增长为人类社会带来巨大的机遇与挑战,如何有效挖掘数据的潜在价值已成为一项重要的研究课题。分类作为一种常见的数据分析方式,能够实现对数据内在规律的细致洞察与归纳。但是,真实数据集往往面临不同程度的缺失数据,进而增加数据挖掘的难度,降低分析结果的可靠性。在此背景下,本文论述包括缺失值填补和不完整数据分类在内的两阶段递进式工作,具体为以下内容:(1)针对缺失值填补问题,本文在自编码器的基础上,以动态方式重新设计隐藏层节点的输入结构,进而提出去跟踪自编码器。针对数据的不完整性,设计将缺失值视为变量并允许其参与训练的方案,填补在训练结束时刻伴随式完成。所提方法能够充分利用不完整数据集中的现有数据,并且采用去跟踪自编码器挖掘属性关联实现了复杂缺失模式下的高效率填补,实验验证了所提方法具备理想的填补性能。(2)针对不完整数据分类问题,本文首先构建基于去跟踪自编码器的回归模型以挖掘数据属性关联,随后重新组织输出层节点并建立填补与分类并行的多任务学习模型。在模型训练和预测期间,考虑到模型输入的不完整性,缺失值被视为未知变量并协同模型参数渐进更新。缺失值的动态优化促使模型逐渐匹配于不完整数据内的回归和分类结构,基于UCI数据集的实验验证了所提方法的有效性。本文从上述两方面对不完整数据进行深入探讨,并提出有效的解决方法。在数据质量难以保障的大数据时代,本文涉及的研究具有重要的现实意义。