在过去十年间,针对不完整数据的查询处理研究受到广泛关注。现有方法往往致力于数据预处理,利用机器学习技术对缺失值进行填补。此类方法的查询质量受限于机器算力。在某些情况下,群体智慧可以很好地解决机器难以解决的问题。对此,我们希望借助众包来优化查询质量。本文研究针对不完整数据的Skyline查询处理问题,提出一个基于众包的Skyline查询框架,称之为BayesCrowd。该框架包含不完整数据建模阶段和众包阶段。在建模阶段,我们借助贝叶斯网络刻画数据相关性,利用c-table模型表示不完整数据对象,并提出高效建模算法。在众包阶段,我们通过众包计算对象间支配关系,从而得到Skyline查询结果。考虑到众包预算和众包延迟,BayesCrowd需要选择性地发布众包任务。因此,本文设计效用函数来衡量众包任务的效益,并提出了三种任务选择策略来满足不同用户需求。最后,我们在真实数据集以及合成数据集上进行大量的实验,从查询耗时、查询成本以及查询延迟的角度验证BayesCrowd的优越性。