【摘要】随着数据采集密集化程度的提高，不同领域产生了大量具备曲线特征的函数型数据。这类数据具有多源性和多态性特征，且其离散采样点通常呈现大规模缺失、取值非负的特点。文章针对非负函数型数据的缺失处理展开讨论：在梳理了单视角和多视角数据插补方法的基础上，引入非负约束，采用函数型数据分析方法，试图将非负矩阵分解、多视角学习以及矩阵填充进行融合，构造一种基于多视角学习的非负函数型矩阵填充算法，并给出了交替迭代更新求解算法。模拟和实例数据修复表明，与现有的单视角函数型数据填充方法相比，新方法不仅具有较好的数据修复效果，而且具备明显的计算时间优势。