针对K最近邻填充算法（K-nearestneighborimputation，KNNI）的参数K值固定问题进行了研究，发现对缺失值填充时，参数K值固定很大程度上影响了填充效果。为此，提出了基于稀疏编码的最近邻填充算法来解决这一问题。该算法是用训练样本重构每一缺失样本，在重构过程中充分考虑了样本之间的相关性；并用1范数来学习确保每个缺失样本用不同数目的训练样本填充，以此解决KNNI算法参数K值选取问题。基于数据性能分析指标RMSE和相关系数的实验比较结果表明，该算法比KNNI算法的效果要好。该算法能很好地避免了KNNI算法存在的缺陷，适用于数据预处理环节需要对缺失值进行填充的应用领域。