在当前的大数据时代,随着计算机技术的快速发展,数据采集和数据传输将更加便捷和快速,这也使得数据日趋复杂,数据规模不断增长,从而形成了大量有缺失、失衡、高维等复杂数据。在众多复杂数据的类型中,缺失数据是最常见的一种,并普遍存在于各个领域,尤其在医学领域,数据信息不完整会降低医学数据质量,导致有用信息的流失,可能会对机器学习的结果造成一定的误差干扰,因此缺失数据处理成为医疗数据处理研究的一个重要的课题。本文主要是针对缺失数据插补方法在医学领域上的研究与应用,主要工作可归纳如下:1)本文介绍了三种缺失数据插补方法,包括K最近邻插补法、多重插补法、缺失森林插补法,并在医学数据集Statlog(Heart)上利用这三种缺失数据插补方法进行了实验。实验结果表明了在缺失率相同的情况下,缺失森林插补法在该医学数据集上插补效果是最好的,能有效降低机器学习的判别干扰,但从插补时间来看,缺失森林插补法的插补时间效率较低,这是缺失森林插补法的不足之处。2)针对缺失森林插补法存在的不足之处,根据它的算法特点进行改进,提出了基于缺失森林的KNN-MF插补法,并使用三个医学数据集对提出的插补方法进行实验。实验结果表明了改进的KNN-MF插补法,能在一定程度上提高插补的时间效率,同时能够有效提升插补效果。