在工业领域,数据的准确性至为重要。采集数据和数据传输会受到外部环境的干扰,数据有出现部分缺失的现象。这类数据被称为工业干扰缺失数据。本文根据缺失数据特点将工业干扰缺失数据分为强时序型缺失数据和高精度型缺失数据这两种类型。如在信号采集系统中,因为采集量大,而造成监测信息延时,甚至出现数据误差。而在定位系统中,由于定位点坐标要求精确,因为硬件数据采集传输导致数据缺失,从而造成巨大的经济损失。所以在数据收到之后必须对其进行预处理并缺失数据进行补全,保证数据准确性。因此在工业领域中对数据的预处理至为重要,而如何对数据进行预处理检测缺失数据并对缺失数据进行补全是本文的研究重点。首先,本论文对工业领域的一类强时序性数据进行分析,得出强时序性数据具有周期性、时序性特点。根据周期性,本论文决定用循环神经网络(RNN)建立时序模型预测缺失值。但是标准的RNN既不能捕获时间序列中的良好周期,也不能处理好缺失的值,因此本论文将注意机制部署在RNN之上,它的设计目的是捕获时间,并使RNN更健壮,从而捕获丢失值。并通过修改损失函数加快模型的收敛速度,运用余弦退火算法进行算法训练,提高模型泛化能力,加速收敛。然后,本论文通过对工业领域高精度性数据进行分析,本论文决定用kNN机器学习算法建立模型预测缺失值。但发现标准kNN由于计算周期长,且参考点可能出现异常,导致结果不能满足高精度数据缺失进行补全的需求。本论文通过误差滤除算法用于判定缺失值的存在。并通过k值(选取缺失值附近k个坐标点)的选取来降低kNN算法运算的时间。并对参考点进行加权,使离缺失值近的参考点有更高的权重,降低异常点对缺失值的影响。从而提高对缺失值补全的精度。之后,本论文分别对能够代表获取工业领域中强时序数据和高精度性数据的陶瓷发电监测系统和UWB无线定位系统进行需求分析、概要设计、详细设计,系统实现完成对两个系统的研发。最后,通过陶瓷发电监测系统和UWB无线定位系统获取实验数据。将本文所用的缺失值补全算法与传统算法进行对比,对算法的优缺点进行评估。并提出改进策略。