在空间数据分析中,一个常见的问题是确定变量之间存在的关系。在许多情况下,变量之间的关系会随着空间位置变化,这被称为“空间非平稳性”。为了处理这种非平稳性,模型需要反映数据中的空间变化结构。空间变系数模型是允许协变量的系数随位置的变化而变化,它可以有效地研究数据的空间非平稳性。另一方面,在许多实际领域中,数据是根据通常与地理位置相关的计数或二进制来收集的,因此在空间变系数模型的基础上,广义空间变系数模型通过一个连接函数来表明因变量和自变量之间基于线性框架的关系,具有普通线性模型不可比拟的灵活性。因此本文拟参考现有的广义空间变系数模型,对其进行改进和推广。具体贡献如下:第一,现有文献中的广义空间变系数模型仅关注标量型协变量,而在研究空间数据分析时,实际应用中另外还含有函数型的信息,且时空函数型变量还没有被充分利用。因此本文在广义空间变系数模型的基础上,增加了具有时空效应的协变量与其函数型系数的组合,提出广义函数型空间变系数模型（Generalized Functional Spatial Varying Coefficient Model,GFSVCM）,这样既保证了模型具有良好的灵活性,又保证了模型的简捷性和可解释性。第二,本文研究的广义函数型空间变系数模型中,由于函数型积分部分很难直接通过普通的拟似然方法进行估计,需将函数型积分部分的无限维优化问题转化成有限维优化问题。因此本文结合已有文献对空间变系数的二元样条逼近方法,对增加的函数型积分部分通过Karhunen-Loève展开,在固定位置S时,对函数型积分部分做线性展开,最终通过使用惩罚拟似然法得到空间变系数和函数型系数的估计,并给出了估计的大样本性质。另外,在数值模拟中,以高斯分布和泊松分布为例,通过积分均方误差（Mean Integrated Squared Error,MISE）量化系数函数估计量的误差和10折交叉验证（Cross-Validation,CV）的均方预测误差（Mean Squared Prediction Error,MSPE）,说明了模型估计方法在有限样本的有效性。第三,在应用研究中,首先基于GFSVCM探究四项大气污染物对PM2.5的影响,并与广义空间变系数模型进行比较,得出模型的估计结果与以泊松分布为例的模拟研究中呈现出的趋势一致,另外与广义函数型模型比较得出GFSVCM的有效性。其次探究气温、气压、露点等五个气象因素对PM2.5的影响分析,从实证结果中可以看出,模型在阶越高的状态呈现出的结果越好。同样与广义空间变系数模型和广义函数型模型进行比较,结果都大大优于两种模型。