随着大数据时代的到来,数据分析逐渐显露出其巨大的价值。作为数据分析的重要组成部分,缺失值插补技术直接影响数据分析的准确率,进而影响数据分析的结果。关于缺失值插补的相关工作,已经有很多,然而,关于缺失值数量较多场景下的缺失值插补算法的研究目前还十分缺乏。而实际工业生产中,往往产生数量较多,比例较大的缺失值。因此,提高缺失数量较多的缺失值插补算法准确率成为了当下缺失值插补算法的热点问题。本文针对这个问题,做了以下工作。首先,针对网格类数据场景下某一特征缺失值数量过多的情况,分析了迁移学习算法TradaBoost对其进行缺失值插补的可行性,并与k-NN,低秩矩阵插补和0值插补等传统缺失值算法进行性能对比分析。在糖尿病预测数据集上的测试结果表明,在AUC和F1指标上,基于TradaBoost的缺失值插补算法相比于传统算法取得的效果不明显。这是因为TradaBoost只能接受离散变量输入,用之构建缺失值算法需要将连续变量转化成离散变量,丢失大量信息。接下来,针对TradaBoost缺失值插补算法性能提升不理想的问题,进一步提出了基于回归的TradaBoostReg算法,减少了训练过程中连续值转化成离散值导致的信息损失。在糖尿病预测数据集上的实验仿真表明,在缺失值比例大于51%的时候,TradaBoostReg算法相较于传统缺失值插补算法性能更优。最后,针对算法迭代效率低的问题,对回归TradaBoostReg算法的损失函数进行标准化处理,使得误差损失一直工作在最佳范围内。在糖尿病预测数据集上的实验仿真表明,在保证性能较于传统缺失值算法略有提升的情况下,大大提高了迭代的效率。