由于受到各种致缺因素的影响,缺失数据问题在当前各个学科领域已经成为了一个普遍现象。缺失数据的存在不仅会使数据集失去很多有价值的信息,而且会增加统计分析工作的复杂度和降低数据挖掘工作的效率,导致分析结果和决策存在一定的偏差。由于不完整数据集给数据分析和挖掘工作带来了极大的困难和阻碍,所以缺失数据处理方法的探索和研究对数据分析工作具有重要意义。本文从数据样本的特点出发,通过对灰狼优化算法（GWO）、粒子群优化算法（PSO）、集成学习算法、支持向量机（SVM）和支持向量回归（SVR）的有效组合,提出了一种基于不同优化策略的两阶段预测填补方法来处理人群空腹血糖数据集中的缺失值。该方法主要是基于医学研究中缺失数据所在的变量指标是医疗诊断某种疾病重要的参考指标,通过医疗诊断标准切点作为该指标的分类依据,从而探索更有效的缺失值填补方法。在人群筛查中,空腹血糖出现不同程度的缺失,影响了指标的分析和利用,但人群的空腹血糖是糖尿病患者重要筛选指标之一,此时可以根据空腹血糖的医学诊断标准切点值,将缺失样本分成两类,空腹血糖正常和异常。在此基础上提出两阶段预测填补的缺失值处理方法,再结合不同阶段的智能优化方法（或称为不同优化策略）获得更精准的缺失数据的填补值。该方法在第一阶段对样本类别进行预测,然后基于第一阶段样本的预测类别再在第二阶段使用对应的数值预测模型对空腹血糖的具体数值进行预测填补。本研究在第一阶段中类别预测模型采用SVM,第二阶段数值预测模型采用SVR,两个阶段在预测中分别采用GWO和PSO进行参数优化。基于不同优化策略的两阶段预测填补方法的具体步骤如下:首先对原始数据集进行归一化和特征选择操作,然后在模型构建过程中确定模型的优化参数和每一阶段的优化策略从而形成本文的填补方法,最后在构造的不同缺失程度的填补集上进行缺失值估计。除了本文方法GWO-SVM-PSO-SVR,还选取了另外3种两阶段预测填补方法（GWOSVM-SVR、SVM-PSO-SVR、SVM-SVR）和8种常见的单步预测填补方法（PSOSVR、GWO-SVR、SVR、KNN、RF、MEAN、MI、REGRESSION）作为对比方法对缺失值进行了估计。根据对比结果发现本文方法的MAE和MAPE指标值相比其他方法在5%到50%六种不同缺失程度下均是最小的,表明本文方法在缺失值的估计中填补精度最高,填补效果优于其他方法。除此之外,根据两阶段填补方法之间的对比结果可以看出本文在每一阶段中采取的优化策略是有效的,同时本文方法与单步预测填补方法的对比结果也可以证实本文根据目标变量的诊断切点值在第一阶段中对样本进行类别定义来控制最终缺失值的预测范围的想法具有一定的应用价值。最后进一步探究了填补数据集样本量的变化对本文方法填补性能的影响,结果表明随着样本量的变化,本文方法的填补精度相对稳定。