传感器网络节点硬件失效、监测环境恶劣、网络拥塞等客观问题,使得传感器网络数据的不完全性成为必然。不完全数据给数据融合、数据存储和数据挖掘等技术带来严峻考验,传统针对完全数据的处理方法显得无能为力。因此,如何对不完全数据进行填充成为我们面临的一项重大难题。现存的不完全数据填充算法主要针对静态统计学数据,算法要么计算复杂度高,要么填充精确度低,难以满足传感器网络数据对精确性和实时性的双重要求,因此,传统算法不能直接应用于传感器网络不完全数据处理。考虑到人们对不同传感器数据要求有差异性,本文提出一种基于区分属性重要性的不完全数据填充算法。算法通过属性约简技术,对目标对象进行属性重要程度区分,对于重要属性采用基于改进的马氏距离的填充算法进行精确填充,而对于非重要属性采用定义的相似度概率法快速填充,算法在保证了数据填充精确度的同时提高了效率。实验结果表明,该算法是一种有效的传感器网络不完全数据填充算法；针对传感器网络数据采集的“流式”特征,充分利用传感器网络数据的时空相关性,本文提出了一种基于嵌套滑动窗口的数据流的缺失数据填充算法。算法基于传统滑动窗口数据处理技术,通过对嵌套滑动窗口和相关系数图的定义,采用增量相关系数计算方式,对属性间的空间相关性分析；对于具有空间相关性的属性缺失数据,采用嵌套窗口内的马氏距离填充算法,而其余数据采用时间相关的线性填充算法,算法有效去除了辅助信息中大量无关数据,减少了填充计算量,是一种有效的数据流不完全数据填充方法。仿真对比实验表明,算法能够实时快速对传感器网络不完全数据进行填充。