因果特征选择旨在学习类变量的马尔可夫毛毯（Markov blanket,MB）。类变量的MB意味着类变量和它的MB之间存在潜在的因果关系,以类变量的MB为条件,所有其它特征在概率上独立于该类变量,这使得因果特征选择能够识别潜在的因果特征用于特征选择,以构建健壮、可解释的预测模型,并且在理论上,类别变量的MB已经被证明是特征选择的最优特征子集。当前的因果特征选择算法主要处理没有缺失值的数据,然而缺失数据在现实世界的许多应用中普遍存在,由于其技术的复杂性,面向含有缺失数据的因果特征选择仍然是一个开放的研究问题。本文开展了面向缺失数据因果特征选择算法的相关研究,主要取得了如下创新性的研究成果:（1）本文提出了一种基于kNN（kNearest Neighbors）单重填补的因果特征选择算法。首先,针对kNN填补方法在填补离散属性的缺失值时效果不太理想的问题和在含有缺失率较大的数据集上无法进行填补的问题,本文提出了一种简单且有效的增强kNN填补算法（EkNN）。该算法采用了两种距离度量方式分别去计算连续属性和离散属性的相似度,从而提高了传统的kNN填补方法在估算离散属性的缺失值时的填补精度。该算法同时利用具有缺失值的数据实例和完整的数据实例作为观测数据去选择一个具有缺失值实例的k个最近邻,从而有效缓解了当数据集所含的缺失值比例较大时,不能进行有效的数据填补问题。然后,基于EkNN,本文提出了一种单重数据填补的因果特征选择算法。最后,实验结果表明基于EkNN单重填补的因果特征选择算法优于其它方法。（2）基于EkNN单重填补方法,本文进一步提出了一种新颖的多重填补框架（Multiple imputation MB,MimMB）。MimMB在一个统一的框架中集成了数据填补和MB学习,使这两个关键组件能够相互配合。MB的学习促使数据填补可以在一个潜在且低维度的因果特征空间中进行,从而实现面向高维度缺失数据的准确填补,而准确的数据填补反过来则可以帮助MB学习识别类变量的可靠的MB。此外,该框架不仅可以通过现有的因果特征选择算法进行实例化,而且也可以通过经典的传统特征选择方法进行实例化。在实验评估中,在模拟数据集和真实数据集上,实验结果验证了本文提出多重填补框架可以有效地从数据中学习给定变量的MB,并优于其它处理缺失数据的特征选择算法。