基于函数型数据的变系数模型的分析是近年来统计学研究的热点课题之一，Ramsayand Silverman(1997)系统地总结并论述了函数型数据的统计分析方法，　　 在近代统计学中，我们需要处理的数据常常是高维数据，常用的非参数估计的方法估计多元的非参数回归函数，需要很多数据，并且估计很不稳定，几乎不可能精确地估计出多元非参数回归函数，人们称这种现象为“维数祸根”(the curse of dimension).为了克服高维数据带来的“维数祸根”问题，变系数回归模型作为一种有效的解决方法，近年来受到许多统计学家和经济学家的高度重视和青睐，并成为当前统计学研究的热门课题之一.尤其是在经济学，生物医学、流行病学中有着广泛的应用，但基于变系数回归模型的各种统计诊断问题，目前尚少见报导.　　 本文首先考虑函数型线性回归模型的若干统计诊断方法，分别给出了原模型，CDM，MSOM下函数系数的样条估计，得到CDM和MSOM的某些等价性，接着用诊断模型下常用的影响度量:Cook距离和似然距离来检验函数型线性回归模型中的异常和强影响点.分别利用模拟数据和真实数据来阐述这些方法.　　 其次在应变量、自变量均为函数型，系数为二维函数的线性模型下，在扰动项为高斯随机过程的假设下.利用极大似然估计方法得到系数函数的估计，分别考虑对自变量的权变换和三次样条变换，利用Score检验统计量分别诊断是否对函数型自变量进行权变换或者三次样条变换；并且在备择假设下得到功效函数.利用模拟数据来阐述这些方法.最后，同样地考虑对应变量进行权变换和样条变换，得出Score检验统计量对这些变换前后的模型进行诊断，在各备择假设下得到功效函数，用模拟数据来阐述此方法.