随着科学技术的发展和计算机计算能力的不断提高相辅相成,现如今超高维数据出现在我们多个研究领域中。在自然科学,人类基因等研究问题中,巨大的数据量以及其相应增加的计算难度都为研究者们带来了困难。在超高维数据情况下只有少数的协变量与响应变量具有相关性。超高维数据分析的基础是从数据中找出重要的变量,从而能对超高维数据进行建模。经过多年研究,现在多用的策略是建立一个两阶段特征选择过程,第一阶段使用计算效率较高的变量筛选方法在能够保留所有的重要特征的前提下将特征维度数量降低到样本量之下的合适规模,第二阶段再采用一些有效的方法对降维后的数据进行重要变量筛选。本文主要研究的内容是在超高维数据情形下的可加模型的变量筛选方法。提出基于鞅差相关系数的可加模型的变量筛选法,将变量维度减少到低于样本量的合适数量,实现超高维数据情况下变量选择的第一阶段。在一定的条件下,我们证明了方法的筛选一致性。通过模拟数据实验和真实数据分析的结果表明本文所提出方法有着良好的筛选效果。