在过去的几十年中,关系数据库的广泛应用、计算机硬件能力的不断提高、互联网的飞速发展,使人们处理数据和收集数据的能力大大提高,从大量数据中提取信息的要求显得越来越迫切.技术的推动和需求的推动使数据仓库、联机分析处理、数据挖掘技术得到了快速的发展.但是现实世界的数据常常是不完整的、存在噪声的和不一致的,为了支持正确的分析决策,必须对数据进行清洗.缺失值是实际系统中常见的重要问题.该文针对在实际项目中遇到的问题,根据不同类别的缺失特性,利用了与缺失值相关的其他属性的值,采用不同的分类方法预测缺失值.该方法和一般的方法相比,有更大的机会保持缺失值和其他属性之间的联系,得到最有可能的值,从而比较好的反映实际情况.该文主要做了的以下几个方面的工作:1)设计并实现了使用分类方法处理缺失值的方法.考虑缺失值与其他属性之间的联系,通过训练数据和分类算法得到分类规则,然后把分类规则应用到含有缺失值的数据,对缺失值进行填充.2)设计并实现了缺失值处理中的预处理方法.预处理过程对数据进行了属性相关性分析、属性的分割与集成、属性的离散化等处理,使得对缺失值的处理更加有效.3)针对实际数据情况,选择实现了不同的分类算法——判定树分类和朴素贝叶斯分类.通过对分类方法的研究,对于数据量较小的情况,选择了判定树分类算法,而对于数据量大的情况,选择了朴素贝叶斯分类算法.4)设计并实现了基于分类方法的缺失值处理工具的原型系统.用户可以通过原型系统方便的创建、修改分类模型,用图形化的方法查看分类模型的分类规则,通过分类模型对缺失值进行填充.并把系统应用到实际的缺失值处理的过程中,取得了很好的效果.