模型平均方法通过赋予更好的候选模型更大的权重来融合所有模型信息，其可以取得更加好的估计、预测效果.权重的选取是模型平均中最核心、最具挑战性的问题.基于渐近最优理论来选择权重的模型平均方法，其优点是不依赖于真实模型存在的假设，而且以降低预测风险为目标来确定各个候选模型权重.近十几年来，学者们对线性模型下的渐近最优模型平均方法进行了大量研究.随着研究深入，非线性模型下的渐近最优模型平均方法也引起了越来越多学者的关注.但是，还有很多被广泛应用的非线性模型没有被考虑到.因此，本文研究是在前人的基础上做进一步地研究，使得渐近最优模型平均方法能应用到更多的领域.主要结果包括:
　　(1)基于Kullback-Leibler损失，我们提出了多分类逻辑回归下的渐近最优模型平均准则.当候选模型不包含真实模型时，我们证明了该准则下模型平均估计量的渐近最优性.当候选模型包含真实模型时，我们证明了该准则下参数模型平均估计的相合性.蒙特卡罗模拟验证了我们方法可以比基于信息准则的模型选择、模型平均以及其它相关方法取得更加小的Kullback-Leibler损失以及预测均方误差.钓鱼网站数据的分析结果也验证了我们方法的优势.
　　(2)针对Expectile回归模型，我们提出了J折交叉验证模型平均方法.其不仅可以提高模型预测能力，还可以提高模型估计的稳定性以及避免忽略模型选择过程带来的不确定性.当真实模型不属于候选模型时，我们证明了该方法下模型平均估计量的渐近最优性.当真实模型属于候选模型时，该方法下参数模型平均估计相合性也被证明.我们通过蒙特卡罗模拟、工资数据实例分析结果验证了我们方法相对于基于信息准则的模型选择、模型平均以及J折交叉验证模型选择方法的优势.
　　(3)我们基于异方差的半函数型偏线性回归模型提出了Mallows模型平均准则和广义交叉验证模型平均准则来选择各个候选模型的权重.这两个准则下模型平均估计量的渐近最优性都得到了证明.有限样本模拟证实了我们方法可以比其它模型选择、模型平均方法取得更加好的预测效果.同时，PM2.5实证数据的分析结果也验证了我们方法较强的应用性.