本论文主要研究在高维数据下部分线性模型的变量选择问题.对于高维数据，本文考虑了两种情形，一种是参数维数发散的情形，另一种是超高维，即参数维数远远大于样本量的情形，对于参数维数发散的情形，我们考虑了误差分布为重尾分布的情况，利用更加稳健的非凹惩罚M估计方法完成变量选择过程并得到系数的估计.本文采用SCAD惩罚作为惩罚函数，用局部二次逼近方法给出了迭代算法，并证明了估计的收敛速度、稀疏性和渐近正态性.随后，通过数值模拟对所提方法的有限样本性质进行了研究，对于第二类超高维数据，我们采用了降维的思想，首先通过求条件期望的方法将部分线性模型化为线性模型，并用核估计方法对线性模型中的未知项进行估计，之后利用SIS方法将参数维数降至样本量以下，最后采用SCAD惩罚估计方法进行变量选择.最后，通过一个数值模拟分析来说明本文方法的优良性。　　本文的特色主要体现在以下两个方面：　　(1)本文采用了更加稳健的非凹惩罚M估计方法针对部分线性模型进行变量选择，该方法可以适用于误差分布为重尾分布的情况。　　(2)本文考虑了协变量个数远远大于样本量的情况，提出了在这类高维数据下部分线性模型的变量选择方法。