在多元线性回归模型(变量)选择的研究中，形成了许多有效的方法，如C_p准则，Akaike(1974)的信息准则(AIC)，Bayes信息准则(BIC)，φ准则，交叉验证准则；因为它们所选择的惩罚函数是固定的，当然，使用固定的惩罚函数可能在某一情况下表现很好，但在其他情况下表现不一定会好；所以惩罚函数的选择直接到模型选择准则的表现好坏；从而需要找到一个基于数据的惩罚函数，这样模型选择准则就会有很好的表现，Rao and Wu(1989)首次提出了基于数据的惩罚函数并应用到多元线性回归的模型选择问题，本文是基于Rao and Wu(1989)的论文并对其方法作了些改进，考虑建立在交叉验证准则基础上线性回归模型的选择问题。我们对原来的交叉验证准则进行改进，通过增加惩罚函数来解决交叉验证过程中模型过度拟合问题，从而提出一个新的模型选择准则。在一定的假设条件下，新准则确定的模型具有强相合性并且在样本容量充分大时能得到最小真实模型。从Monte Carlo模拟实验可以看出，我们提出的基于数据的惩罚函数的模型选择准则比选用固定的惩罚函数的模型选择准则效果更好，并且在小样本时表现很好。