本发明公开了一种基于特征融合增强的数据集缺失值填补方法。首先，设计了一种新型神经网络隐藏层，通过去跟踪神经元与径向基函数神经元从不同维度学习数据特征。去跟踪神经元可以降低自编码器无效恒等映射问题，有效挖掘数据属性间的关联特征；径向基函数神经元的自动聚类能力，可以更好地学习到缺失样本间的共性特征。其次，采用了一种迭代优化的缺失值动态填补策略，缺失值被视为代价函数的变量与模型的参数一起随着优化函数动态变化，在训练期间缺失值的估计误差会随着迭代优化的深入而渐进降低，模型的准确性和填补精度得以持续提升，同时提升模型对不完整数据的学习填补适应能力。