近年来,随着我国工业化、城镇化、人口老龄化进程不断加快,加上居民不健康的生活方式以及对疾病的知晓率较低,慢性病已经成为严重威胁我国居民健康的一类疾病,也是影响国家经济社会发展的重大公共卫生问题,造成这一现象的一个很重要的原因是患者的自我健康管理意识不高。另外,在运筹管理与数据分析中,数据品质是一个重要主题但却常常被忽视。然而,数据的不完整性（如连续血糖监测仪）往往会影响决策准确性（如胰岛素注射剂量）,因此在临床决策中由患者数据的不完整性导致的数据品质问题必须得到改善。基于此,本文以糖尿病为例,以大数据分析为技术手段,构建了基于不同时间间隔下缺失血糖数据填充的部分可观察马尔科夫决策过程（POMDP）模型,可为患者提供个性化的智能健康管理方案。本文主要的工作及创新如下:（1）构建了基于改进的M-H（Metropolis-Hastings）算法的缺失数据填充模型,消除了因数据缺失而引起的数据品质低的问题。本文首先介绍了细致均衡条件（DBC）,并在现有M-H算法的基础上根据细致均衡条件对接受率进行改进,以此用来判断接受/拒绝所采样的数据,并将其用于填充缺失数据。本文设定了三种不同的缺失比例——5%,15%以及25%,与利用总体均值填充的方式相比,本文提出的填充模型准确度更高,带来的填充误差更小。通过设置数值实验,验证了本方法相对于均值填充方法的有效性。（2）揭示了不同时间间隔下各状态之间的转移规律,从理论上保证了部分可观察马尔科夫决策过程模型的有效性。由于不同的患者患病程度不同,其所需测量的时间间隔也不同,所以本文划分了不同时间间隔水平——高频（例如,以0.25小时为间隔收集数据）和低频（例如,以1小时为间隔收集数据）血糖测量,探讨不同时间粒度下的状态转移规律及其之间的数学关系,并将两种情况下的最优策略以可视图的方式呈现。（3）将基于不同时间间隔下缺失血糖数据填充的部分可观察马尔科夫决策过程模型应用到糖尿病管理过程中。实验表明,与基于均值填充的部分可观察马尔科夫决策过程模型相比,本文提出的基于改进的M-H算法填充的部分可观察马尔科夫决策过程模型有更低的错误率,以及更准确的累计回报值,由此说明了本文提出的方法的有效性。通过上述研究,可得出本文的研究结论,基于不同时间间隔下缺失血糖数据填充的部分可观察马尔科夫决策过程模型在缺失情况下管理糖尿病的性能是稳定的,其回报值比均值填充的回报值更接近原始结果,为临床诊疗提供一定的参考,并辅助患者进行自我健康管理,从数据驱动层面为个性化健康管理提供了新思路以及理论支撑。