Owen(1988)提出的经验似然(Empirical Likelihood,EL)是一个有影响力的计算密集型数据的统计方法。此方法定义了一个经验似然比函数,并使用受约束参数影响的其最大值来构建置信区间/区域。作为某种意义上分布假设自由的一种非参数似然方法,经验似然在推导未知参数的置信区间方面有许多突出的优点。例如,经验似然推理不涉及方差估计,基于经验似然的置信区域形状和方向完全由数据本身决定,等等。正因为如此,经验似然方法引起了许多统计学者的兴趣,他们将这一方法应用到各种统计模型及各种领域。本文的主要内容是研究基于半参数回归模型参数的经验似然问题。首先,我们研究在鞅差误差下高维部分线性模型参数的经验似然。在误差是相依情形,即误差是鞅差误差时,给出相应的经验似然比检验统计量,以及满足的渐近性质,并考虑模型参数的线性组合情形,然后通过一些基本条件以及一些引理证明渐近性质,并利用MATLAB数据模拟,说明经验似然方法比profile最小二乘表现效果好。其次,在鞅差误差下考虑部分函数线性模型参数的经验似然。通过Mercer’s定理和Karhunen-Loeve表达式推导出部分函数线性模型的近似表达式,给出相应的经验似然比检验统计量,以及满足的渐近性质,通过一些基本条件以及一些引理证明该渐近性质。最后,我们考虑高维部分函数线性模型的经验似然。给出相应的经验似然比检验统计量,以及满足的渐近性质,通过一些基本条件以及一些引理证明该渐近性质,并利用MATLAB数据模拟,说明经验似然方法比profile最小二乘表现效果好。