在生存分析研究中,风险函数描述了个体在某一时刻的风险情况,因此对风险函数进行统计推断是生存分析的一个核心问题.常见的生存分析模型中,比例风险模型（Cox模型）和可加风险模型是两种最受欢迎的模型,这两个模型指出在确定的基本风险之外,个体的绝对风险与协变量分别呈指数和线性关系.随着数据时代的到来,数据的类型也多种多样,在生存分析中,删失数据是重要的一类数据,因为其与一般的完全数据相比包含的信息较少,所以导致生存分析中相关研究方法复杂性的提高.在临床医学、肿瘤学、人口学等研究中,常常出现各种类型的删失数据,当前状态数据是其中重要的一种删失数据.当前状态数据又称I型区间删失数据,这类数据表示在当前时刻t,仅知道感兴趣的事件是否已发生.由于研究成本和时间的限制,当前状态数据越来越频繁地出现在科学研究中.对于当前状态数据,大部分研究考虑的是传统的比例风险模型和可加风险模型.目前,研究热点已逐渐转至变系数的风险模型,部分研究对变系数比例风险模型和依时的可加风险模型的推断问题提出了一些合理的推断方法,但对依赖于协变量的可加风险模型的研究则较为缺少.本文基于Fan等[1]对变系数比例风险模型的研究方法,考虑了变系数的可加风险模型的参数估计问题,其中回归系数依赖于协变量.与Fan等[1]的方法不同的是,似然函数中含有基准风险函数,使得似然函数在求解上变得很困难.因此,本文在样条逼近的框架下,使用二次B-样条对基准风险函数进行逼近,将无限维的参数空间变为有限维的Sieve空间,从而降低了计算的复杂性.另一方面,在对系数函数进行估计时,利用了局部核技术,因此称之为“局部Sieve极大似然”方法,并且建立了估计的相合性和渐近正态性.最后,数值模拟和实例数据分析也表明了所提出方法的合理性.