时间序列插补技术在交通、空气质量检测等领域应用广泛，可用于解决数据丢失等问题。目前，该领域的扩散模型仅仅使用观测值作为条件信息，缺乏对条件信息的利用。因此，本文提出一种新的条件扩散模型框架，即用于多元时间序列插补的循环条件扩散模型(recurrent conditional diffusion model, RCDM),通过观测值和新的条件信息共同学习条件分布，并针对多层次信息设计融合网络。结果表明，本文方法与传统方法、常见深度学习方法相比，RCDM在METR-LA数据集上取得了最佳结果，表明本文RCDM的有效性。