La falta de observaciones en series temporales distorsionará las características de los datos, cambiará las expectativas del conjunto de datos, las distancias de alto orden y otras estadísticas, y aumentará la dificultad del análisis de datos. Por lo tanto, es necesario realizar primero la imputación de datos. En general, los métodos de imputación de datos incluyen la imputación estadística, la imputación por regresión, la imputación múltiple y la imputación basada en métodos de aprendizaje automático. Sin embargo, estos métodos actualmente tienen problemas como la utilización insuficiente de las características temporales, la baja eficiencia de imputación y el rendimiento deficiente ante tasas de datos faltantes altas. En respuesta a estos problemas, proponemos el informer-WGAN, un modelo de red basado en el entrenamiento adversarial y un mecanismo de autoatención. Con la ayuda de la red discriminadora y el método de entrenamiento de tasa de datos faltantes aleatoria, el informer-WGAN puede resolver eficientemente el problema de imputación de series temporales multidimensionales. Según los resultados experimentales bajo diferentes tasas de datos faltantes, el modelo informer-WGAN logra mejores resultados de imputación que el informer original en dos conjuntos de datos. Nuestro modelo también muestra un excelente rendimiento en la imputación de series temporales de los parámetros clave de un giroscopio de momento de control de una nave espacial (CMG).