伴随着科学技术的高速发展以及数据搜集能力的不断提升,超高维数据日益频繁地出现在大众的视野中。由于数据量过于庞大,对超高维数据进行分析是一个难题。然而,在医学、基因学、社会学等领域经常会出现超高维缺失数据,与完整数据相比,对此类数据进行分析更为不易。因此对超高维缺失数据的研究十分有意义。本文在响应变量随机缺失的超高维数据背景下,展开了研究,具体研究内容如下:第一章系统地介绍了本文的研究背景和研究意义,同时介绍了国内外关于超高维数据的研究情况,说明了本文的主要研究内容以及创新点。第二章首先基于给定响应变量Y下,预测变量X的条件分位数,提出了针对响应变量为二分类时超高维数据的条件分位数特征筛选方法（CQFS）。其次结合上述的条件分位数与模型平均思想,得到了基于模型平均思想的条件分位数特征筛选方法（MACQFS）,上述的两种方法均满足确定性筛选性质。利用蒙特卡洛数值模拟以及真实的肺癌数据对上述两种筛选方法的筛选性能进行了检验,结果表明它们均有着稳健的筛选性能,且具有出色的实际应用效果,两者之间,MACQFS特征筛选方法更优。第三章在第二章的基础上,结合给定预测变量X下,响应变量Y的条件分位数、逆概率加权方法与模型平均思想提出了模型平均特征筛选方法（MMACQ）,对响应变量随机缺失情形下的超高维数据进行降维,证明了MMACQ特征筛选方法满足确定性筛选性质,且通过数值模拟验证了其优良的筛选性能。第四章在响应变量随机缺失的超高维数据背景下,提出了一个“两步走”分析方法,首先利用第三章提出的MMACQ特征筛选方法对数据进行降维,再结合扩张的逆概率加权与Mallows’准则提出扩张逆概率加权模型平均算法（GMA算法）,对降维后的数据进行建模分析。利用数值模拟以及真实的转基因小鼠心肌病数据验证了此“两步走”分析方法的可行性,结果表明该方法确实能有效地降低预测误差,同时也进一步验证了第三章提出的MMACQ特征筛选方法具有很好的实际应用价值。第五章详细地对本文的研究内容进行了总结,并提出了文章存在的一些不足以及对这些不足的进一步思考。