无论是在上世纪计算机发展比较缓慢的年代,还是在当下的大数据时代,人类面临着庞大数据的挖掘和缺失值的插补.关于缺失值插补这个问题,从上世纪五十年代左右就有学者关于这个问题进行了研究.一般来说,关于不完整数据的处理方法有特殊值代替法,参数估计法,贝叶斯估计法等等.本文主要研究数据插补方法,其中均值插补方法作为一种操作简单易被掌握的插补方法,被广泛运用,但其忽略了数据之间的关联强度与距离间的关系,因而有自身的缺陷.另外一种方法就是最近邻估计方法,它利用缺失值附近观测值与其的关联强度的关系,进而插补缺失值.传统的插补方法还有逆概率加权法,核密度插补法等等.已有学者提出了结合逆概率加权插补法和核回归函数插补法构造出新的估计量.本文考虑到逆概率加权插补方法的稳健性优于核回归插补法,结合逆概率加权插补法和最近邻插补法优点的基础上,构造了两种凸混合插补估计量,并且在满足正则条件下证明了两者的渐近正态性质.模拟的结果显示无论回归函数是否连续,两种混合插补估计量的模拟效果比传统插补法效果更好.在鸢尾花数据分析中,三种插补估插补法的比较总体上的效果比较好,在葡萄酒数据分析中凸混合估计量的平均绝对偏差明显要优于其他两种插补法.