在遗传学研究中，全基因组关联分析(GWAS)是研究复杂疾病与基因关系的一种常用分析方法，该方法通过研究目标基因与特定疾病之间的相关关系以此找出与疾病关联性较强的基因，自从2005年Klein等人通过基因关联分析成功找出影响黄斑变性的基因，己陆续帮助科学家筛选出与冠心病、肥胖、2型糖尿病、精神分裂症等复杂遗传疾病相关的基因点位.
　　随着基因分型与测序技术快速发展，使得获取成千上万基因点位数据变为可能.这就意味着我们将面临高维数据问题，这使得传统的统计理论与方法受到较大的挑战.在实际的高维基因数据研究中，基因与基因、基因与环境（例如，年龄、性别等）的交互作用都会对某种疾病产生影响，传统方式只考虑构造单个基因位点与疾病之间的边际关系，忽略了这种交互作用，这可能会导致某些误判，会降低基因筛选的准确度.同时在基因测序过程中，每个基因点位基因型的精确测量是比较困难的，通常情况我们只知道该位点三种基因型的概率，其真实的基因型无法获得.已有的关联分析方法主要考虑线性模型，模型结构的假定限制了其适用范围，非参数可加模型可以不用对模型结构进行假定，具有更强的适用性.为此，本论文考虑己知某些重要变量情形下，基于非参数可加模型对基因型不确定数据进行致病基因筛选，并提出了条件非参数筛选(CNIS)方法，在一些适当的条件下，证明了该方法第一阶段的筛选具有一致性筛选性质，能以概率1保留重要的变量；第二阶段的变量选择也具有良好的相合性.根据Monte Carlo数据模拟结果表明，该方法相较于NIS方法有更好的表现.