随着机器学习和人工智能等学科的发展,越来越突显出数据的重要性。个人或企业每天会产出或者收集大量的数据,数据的抓取越来越便捷,但是数据质量也逐渐引起人们的重视。其中数据缺失问题常常发生,甚至难以回避。实现算法或提供可靠的决策分析等都依赖于高质量的数据,因此数据填补是一项重要研究内容。本文首先基于自联想神经网络（Auto-Associative Neural Network,AANN）对不完整数据进行回归建模并填补缺失值。AANN能够实现多缺失模式下的数据填补,具有简洁的网络架构,因此本文基于AANN,并将不完整样本引入建模过程,提出属性互拟合模型。属性互拟合模型重组输出神经元和输入神经元间的数据传输路径,并利用现有数据的训练误差优化模型参数,进而提高自身对不完整数据属性关联的拟合能力。同时,针对模型训练时输入样本中存在缺失值问题,本文将动态调整缺失值,使缺失值变量伴随模型参数迭代更新,通过局部学习和全局逼近的方法增加模型拟合的准确性和缺失值的填补精度。生成对抗网络可以生成和真实数据相同分布的数据,成为深度学习的新热点。生成对抗网络的生成器和AANN具有相同的特点,因此本文考虑将属性互拟合模型和迭代更新缺失值训练方案迁移在生成对抗网络上,提出基于上述两种策略的生成对抗网络填补法。最后,面对中国家庭经济数据库中的缺失值问题,本文使用多种方法对其进行填补,再使用基于层次和密度的聚类算法对填补后的数据集进行聚类和评估。在多个数据集上的实验结果可以证明,属性互拟合模型和迭代更新缺失值策略的训练均能提高填补性能,两者结合的填补结果获得了最多最优的填补结果。在相同的数据集上,基于上述两种策略的生成对抗网络填补法在近一半的情况下填补效果优于属性互拟合填补法。最后,在聚类算法参数相同的情况下,属性互拟合模型和迭代更新缺失值训练方案填补的中国家庭经济数据集,获得了最佳的聚类效果。