为了更好地拟合数据,人们提出了许多不同形式的非参数回归模型,其中的变系数回归模型既保持了非参数回归模型的灵活性,又可以很好地克服维数灾难问题,而部分线性变系数模型作为变系数模型的推广,反映了回归函数更为精确的结构,为分析和了解自变量对因变量的影响提供了更详细的信息,得到了广泛的应用。关于部分线性变系数模型,其参数分量的研究是重点。然而,目前的估计方法,不论是基于何种光滑技术,大都假设了自变量,特别是参数部分的自变量之间不存在复共线性。然而,实际数据分析中,复共线性是常见的问题,因此如何克服复共线性是回归分析的重要组成部分。众所周知,对于普通的线性回归模型来说,构造有偏估计,以牺牲无偏性来换取较小的均方误差是一个可行的途径。岭估计和主成分估计是教科书上最常提到的两种有偏估计。然而,绝大多数有偏估计和复共线性的讨论都是基于普通的线性回归模型,对于部分线性变系数模型来说,如何克服复共线性和构造对应的有偏估计是非常有意义的课题。但是,目前相关结果非常少。从实际应用和理论研究两个角度来说,研究部分线性变系数模型如何克服复共线性问题,如何构造有偏估计并研究其性质,这些研究都是必要和有意义的。本文针对部分线性变系数模型参数部分出现复共线性问题,主要做了以下工作：文章第二部分构造了部分线性变系数模型的轮廓最小二乘岭估计,并在均方误差意义下证明了在满足一定条件下,部分线性变系数模型的轮廓最小二乘岭估计是优于轮廓最小二乘估计的,并对模型进行了数值模拟；文章第三部分在考虑参数存在线性等式约束的条件下,构造了部分线性变系数模型的约束轮廓最小二乘岭估计,在均方误差意义下证明了存在岭参数使得约束轮廓最小二乘岭估计优于约束轮廓最小二乘估计,并对模型的估计做了数值模拟；文章第四部分对部分线性变系数模型的参数部分附加线性随机约束,构造了部分线性变系数模型的随机约束轮廓最小二乘岭估计,讨论了随机约束轮廓最小二乘岭估计的一些性质,并用数值模拟在均方误差下比较了随机约束轮廓最小二乘岭估计和存在随机约束的轮廓最小二乘估计。