随着科学技术的快速发展,我国已进入了信息时代。近些年数据爆发式地增长,数据的存储及获取能力有了很大的提高。对于如何从这些数据中得到有价值的信息,成为科学研究领域不可忽视的一门课题。聚类分析拥有着很长的研究历史,并在众多领域都得到了应用。可是在实际环境中,由于人为因素、历史原因、数据获取、数据存储、数据传输等情况下常常有数据缺失的情况,造成了聚类的难点。因为缺失的数据不能直接用传统的聚类方法进行聚类,而且数据的缺失无法避免。那对缺失数据的适当处理就成为了不可避免的技术难题,将直接影响到聚类效果的好坏。针对这个问题,论文提出了一种不完备数据三支聚类填充方法。首先,采用平均值填充法对缺失的数据进行初始化填充,然后再用对k个聚类中心点的选取进行优化的k-means算法对数据进行聚类。这种方法避免了传统k-means聚类算法容易陷入局部最优解的状况,并加快了算法速度。最后考虑用聚类结果同一个簇中的完备数据对之前的缺失数据进行重新填充,来尽可能减小均值填充法带来的数据误差。传统数据填充常常对缺失数据只进行单次填充,没有充分利用已知数据信息,而且上述过程中k个点的初始选取对k-means聚类结果仍然有影响。针对这个问题,本文选择多次重复进行单次聚类的步骤,并对每次聚类的簇中的成员进行标签对齐,最终得到更准确的基于三支决策的聚类划分。传统的二支决策相对三支决策来说,往往伴随着失败决策带来的更多风险,使用本文方法能大大减小初始点选取带来的误差。在三支聚类算法的划分下,根据缺失数据最终划分的区域不同,对其采用不同的填充策略。最后通过实验分析,可以得出本文方法优于对比方法的结论。