随着信息技术的快速发展,现实世界中每天都会产生大量的数据,通过数据分析技术可以从大量数据中获得有价值的信息并加以利用。高质量的数据是进行高效准确的数据分析的前提。然而,高质量的数据很难直接获得,数据缺失的问题对数据质量造成很大影响。针对数据缺失问题,高效的数据填补方法能够保证数据的完整性,提高数据质量,为数据分析提供数据支撑。目前,在缺失数据填补的研究上有两个难点:一个是大部分的数据集都是无标签信息的不完整数据集,在数据填补过程中忽略了数据的潜在类别信息,造成填补准确性下降;另一个是为了充分利用现存数据,有些数据填补方法把存在缺失的数据也加入到填补模型中训练,这会导致填补模型性能下降。因此,缺失数据填补方法对获取高质量数据有很大作用,设计并研发一个高效的数据填补系统势在必行。针对上述缺失数据填补领域存在的问题,本文提出如下解决方法:首先,针对无标签数据集,为了挖掘出数据潜在的类别信息并加以利用,提出一种基于伪标签的数据集划分方法,将待填补数据集按照数据的潜在类别划分为若干子集。其次,提出一种生成对抗降噪填补网络（Generative Adversarial Denoise Imputation Network,简称:GADIN）,用于在每个子集中填补缺失数据,融合了降噪方法的GADIN,降低了缺失数据对构建填补模型的影响。最后,通过实验验证的结果表明该数据填补方法的有效性。本文在进行了详细的需求分析的基础上,设计并实现了一个基于生成对抗降噪网络的数据填补系统。本系统有五个功能模块:用户登录、用户管理、数据预处理、模型构建和数据填补。用户登录模块用来验证用户的登录信息;用户管理模块用来进行用户信息的维护;数据预处理模块用来进行清洗数据,使数据满足填补方法的需要;模型构建模块用来训练数据填补模型,数据填补模块利用训练好的填补模型将不完整数据集填补完整。本系统是通用的数据填补系统,可为各个领域提供数据填补功能,为测试该系统的功能,本文以金融领域数据填补为例进行系统测试。