随着数据相关理论和技术的快速发展,金融、医疗、电力等各领域均产生了海量数据。这些数据来源分布广、格式多变、规模庞大。然而,由于网络传输、人工审核校验等原因,数据集当中某些属性存在缺失甚至错误,数据质量难以保证。良好的数据质量是支持分析、决策以及可视化等的重要基础。如何提高数据质量,成为当前数据处理领域研究的热点问题。本文对其中的数据填补问题展开了研究。在数据填补问题上,许多学者进行了研究,提出了一些卓有成效的解决方法。但这些方法多是面向通用领域的数据填补方法,没有考虑领域的具体特征,在填补特定领域数据时填补效率不理想。特定领域的数据往往存在特定数据特征,本文对其研究,提出了面向特定领域的缺失数据填补方法,并且以金融领域为例,根据缺失数据集的特点,采用不同的策略对不完备数据集进行填补。本文主要工作为以下几个方面:（1）针对依赖型数据缺失的特点,提出了一种重建多元依赖型缺失数据填补算法。首先,应用改进聚类算法和基于聚类的属性约简算法进行缺失数据关联数据集获取;其次,提出了移动窗口填补算法,从关联数据集中找出与缺失数据相似的候选填补数据;然后,使用缓存索引策略减少降低算法复杂度;最后,实现对缺失数据的填补,同时提高填补的效率和准确率。（2）针对扩展型数据集缺失的特点,提出了一种融合多特征扩展型缺失数据填补算法。首先,应用函数依赖算法构造查询关键字以便到搜索引擎查询与相关的网页文本片段;其次,设计了网页来源可信度评价表筛选合适的网页文本片段,并从网页文本片段中抽取候选实体;接着,结合候选实体的上下文特征,提取候选实体的特征;最后,提出了改进的证据融合算法融合候选实体的多个特征,并根据融合特征值最大的候选实体作为目标实体以填补缺失数据。（3）最后,在多个真实数据集与目前较为先进的填补算法进行实验验证与对比。实验结果表明本文提出两种缺失数据填补算法可有效地填补缺失数据集。