目前,复杂的多维数据已在各个科学领域被应用。成分数据就是其中之一,它具有特殊的性质,一般用于研究某因素下整体中各部分间所占比重。因此成分数据反映的是数据间的相对信息,而不是数据自身。最初人们对成分数据的研究主要用于探究岩石中各化学成分的比例情况。近些年来,它在许多社会、经济和技术问题中,也得到了较为广泛的应用。在社会调查的数据信息获取过程中,由于种种原因而无法获得回答。这样就会造成数据的缺失,进而对之后的数据分析结果产生影响。所以,在对数据进行分析之前,我们需要先解决数据缺失的问题。本文对成分数据缺失值的回归填补法进行了研究,包括偏最小二乘回归法,稀疏偏最小二乘回归法。本文的主要研究成果有:(1)提出了一个针对多重共线性成分数据缺失值的偏最小二乘回归填补法。在高维数据处理中,最典型的问题就是自变量之间的多重相关性问题。在众多统计分析方法中,偏最小二乘可以很好的解决这个问题。由于它在建模过程中,可以筛选出对因变量解释性比较强的新变量,然后再利用这些新的综合变量重新进行建模。本文主要针对成分数据缺失值的回归填补法进行研究。对于那些含自变量较少,且又具有多重共线性的成分数据,提出了偏最小二乘填补法。(2)针对更高维的成分数据缺失值,提出了稀疏偏最小二乘回归法。因为在偏最小二乘模型中,要想得到一个新的成分,需要用到所有的初始变量。这样的话,当自变量数目较多时,对填补结果就会有不好的影响。同时,这也对寻找重要预测变量不利。稀疏偏最小二乘可以收缩估计系数,并使很小的系数收缩为零,这样就可以将本来与之对应的变量,从模型中剔除。它是偏最小二乘的改进。因而,在偏最小二乘法的基础上,文章中又提出了一种稀疏偏最小二乘回归填充方法。本文的研究成果将更进一步的丰富了成分数据的缺失值填补方法的研究,为以后在各行各业中所遇到的数据缺失问题提供了新的解决办法。