数据是信息的载体，数据的完整性决定了信息的存储和表达效果，然而数据在搜集和整理过程中经常会出现随机缺失，而且数据集在信息化时代的指数级膨胀也增加了修复补全的难度。本文在对现有的数据修复方法进行分析的基础上，针对缺失数据集属性之间关系模糊、数据规模较大等问题，提出了基于主动学习的数据后验修正的数据修复方法。主动学习是基于无标记样本或少量标记样本的学习方法，通过迭代标记有价值的知识训练得到优质的分类器或学习机。基于Active Learning的数据修复补全工作遵循“先相关-后修复”的原则，避免因盲目修复而引入脏数据或噪声数据，该方法更注重数据对于信息的表达需求，弱化了统计规律在修复中的作用。通过Rough集“相关度”和“模糊边界”理论定义属性之间的相关性，构造CutOfAttribute算法对缺失数据进行属性剪枝，去除独立属性和冗余属性，降低属性关系维度；通过迭代主动学习方法，得到精确的多元回归模型，并在此基础上对缺失属性进行代入求解，然后将验证结果作为预处理结果，生成临时完整数据集；通过支持向量机MC-Model模型构造多分类方法，对临时完整数据集进行多分类，使得数据呈现簇拥分布，解决了数据集倾斜的问题，有效减少了学习时间；在各个分类上再次使用多元回归模型拟合的方法，代入验证修复结果的有效性，并进行补全修正，最后得到“完整”的数据集。论文选取了UCI数据库中的几个经典数据集进行仿真测试，通过均方根误差等指标的对比分析验证了该方法的有效性。该方法可以广泛应用于监测、预测以及社交网络数据分析领域，具有较好的理论和实际应用价值。