数据的缺失是统计分析中不可避免的问题,它与异常值处理共同组成数据预处理的两大块内容。数据的缺失不仅会导致样本信息的缩减,还会使得很多统计学习方法无法使用。统计分析的结果取决于数据质量的好坏,如果不能对缺失数据进行恰当的处理,那么最终的分析结果也很难具有代表性。对于缺失数据的处理思路主要分为删除和填补两种,由于删除会导致样本信息的减少,故一般采用填补策略。随着大数据时代到来,数据维度的增大也带来了大量缺失数据出现的情况,如何对缺失数据进行准确且快速的填补成为了一个亟待解决的问题。GAN(对抗生成网络)近年来在深度学习领域的研究越来越多,其在样本生成方面有独到之处。本文在国内外研究的基础上,基于缺失数据填补和图像修复问题的相似性,将GAN的理论框架应用至缺失数据填补问题,设计了适用于该问题的网络结构,并将该方法与多重插补法、缺失森林法和EM法对比,分析各种方法的适用性。在模拟部分,本文通过计算机生成复杂分布的随机数,按照不同的观测数、变量数、缺失比例的组合分别用上述3种方法和GAN方法对同一缺失数据集进行重复填补,对比其填补精度、填补效果和填补速度,最后得出结论:在同一情况下GAN方法填补往往比上述三种方法更好。在实证分析部分,利用上述方法对加拿大天气数据进行缺失数据填补,最后得出与模拟研究相一致的结论。最后,本文就缺失数据的普遍性和不同填补方法的适用性两个角度进行全文总结,并就本文不足之处提出后续的研究建议。