在数据采集技术及存储技术日益强大的今天,人们可以获得大量重复观测的数据。这类数据因呈现函数特征而被称为函数型数据。在函数型数据分析中回归建模是一个重要研究内容,现有函数型线性回归模型通常假设数据间是相互独立的,在对某些实际数据分析情况下是不合理的,比如相邻地区经济发展水平影响本地区的经济发展水平,各个区域城市交通流动情况相互影响等。同时,在数据收集过程中还可能获得许多额外的尺度型数据,从而使得数据具有高维稀疏性特征,因此需要对模型进行变量选择。针对以上问题,本文主要研究部分函数型线性空间自回归模型的变量选择,具体为:首先,针对高维尺度型解释变量的稀疏性特征,研究了部分函数型线性空间自回归模型的变量选择。具体为:用函数型主成分分析对斜率函数进行降维,将模型转化为一般的线性空间自回归模型,运用两阶段最小二乘得到全模型下的参数初始估计,再构造带有SCAD惩罚的目标函数,同时进行变量选择和参数估计。最后将所提方法进行数值模拟和实证分析,结果表明能够有效的识别出尺度型变量的非零系数和零系数。其次,针对同时包含多个函数型解释变量和高维尺度型解释变量的情况,研究了多元函数型部分线性空间自回归模型的变量选择问题。同样的,运用函数型主成分分析对斜率函数进行降维,再用两阶段最小二乘法估计得到全模型下的参数初始估计,结合group SCAD惩罚进行变量选择和参数估计。最后将所提方法进行数值模拟和实证分析,结果表明能够同时有效的识别出函数型解释变量的非零系数函数和零系数函数以及尺度型变量的非零系数和零系数。