在疾病筛查的研究中，分组检测(Group Testing)是一种常用方法，该方法通过集合多个样本合并检测进行个体性状分类，替代了单体检测来筛选患病个体，具有节约成本的优势．1943年Dorfman提出的分组检测方法被认为是该领域的开创性发展，自那开始，该方法得到越来越多统计学者的关注，目前已经应用至公共医疗卫生、生物、化学、药物筛选、基因选择等领域，为大规模人群疾病筛查节约了成本，
　　我们讨论的分组检测数据，其响应变量的取值是二元的，但小组和个体的测试结果受检测误差的影响，个体真实状态不能被精确的观察到，考虑患病率p的估计，可结合个体协变量信息，个体响应隐变量进行EM算法估计参数，在模型中考虑个体协变量信息可以进一步改进参数估计、个体概率估计，很多时候协变量对个体患病性状的影响是线性的这一假设不一定成立，本文我们主要讨论非参数可加模型，引入个体真实二元性状进行EM算法估计患病率p．
　　在分组检测环境下，利用广义加性模型估计患病率，且将高维协变量识别选择出重要变量是我们讨论的主要内容，在模型中加上Group Lasso惩罚项进行变量选择，这一方法具备模型选择的优良性，更进一步的，我们讨论了超高维情况的二值响应组数据，为了处理协变量维数和样本容量的维度诅咒关系，在进行变量选择方法前建立特征筛选，
　　在文章的最后，证明了估计量的统计理论特性，并且通过数值模拟证明我们的模型在分组检测的主池数据中表现良好。