在众多不同领域中,数据缺失普遍存在,这可能会影响数据挖掘工作的进展,甚至造成不同的结果。因此,缺失数据的填补是训练数据存在缺失时,各种分类问题中常见的应用。其中较广泛的填补方法是基于K近邻算法（KNN）。经典KNN算法使用欧式距离作为度量方式,选用近邻的相关属性值填补缺失值。度量方式针对数值型数据填补情况较优,但这在异构数据中并不适用。在分类问题中,大量缺失数据填补工作都未考虑到类标签的问题,忽视了属性之间的依懒性。对于上述两个方面,本文都分别进行了研究,提出了新的加权方式和异构数据中类标签的存在问题。主要工作内容如下:（1）针对非随机性缺失财务数据（数值型）的填补,基于经典k近邻算法,采用三阶明考夫斯基距离,根据K近邻法则找出与缺失数据同类的相似样本（即K个近邻）,看作一个新的训练数据集;然后提出一种优化权重的K-近邻算法（OKNN算法）,改进原本的均值赋值法,而对上述新的训练数据集给予各个指标组合权重系数值;最后根据优化的权重系数对提出的新算法进行实例验证,结果证实提出的OKNN组合填补方法优于经典的KNN算法和加权的KNN算法距离填补法。（2）大多数情况下运用欧式距离度量样本相似度会导致忽略样本属性的重要性,而将属性的真实差异视为相同的。所以在数据集密度相关不明显时,度量相似性效果较好,这也是密度相关性敏感的不足之处。在文章的第三章会详细介绍,当密度相关明显时,选用马氏距离度量更有优势,并且欧式距离也是它的一种特殊情况,这样的选取是有一定的合理性。在混合数据中,数据的预处理以及度量样本相似性的方法选取明显更复杂。此前,已有学者证明灰色关联分析更适和度量异构数据集中的两个样本之间的相似性,在这基础上,用灰色距离替代欧氏距离并建立灰色KNN填补模型,其性能优于经典KNN填补效果。还需要考虑属性的重要性,不同属性的影响以及相关程度的不同。通过属性重要度对灰色距离进行加权,提出来了一种基于缺失数据与所有训练数据之间的加权灰色的迭代KNN赋值方法,更精准地选出相似样本,保证训练数据的赋值是针对提高填补性能。最后在UCI数据集中选取适量数据进行实例验证,该加权灰色迭代KNN与其他KNN类似算法相比,在填补缺失数据问题上表现出较好的性能。