单指标分位数回归模型是一种半参数模型,半参数模型的特殊结构使得其结合了参数回归和非参数回归二者各自的特点,它相比于传统回归模型有更好的适应性和解释性,因此被广泛应用于医学、经济等领域。但是在实际研究中,实验对象经常会因为发生一些研究之外的其他事件,导致记录者无法明确其发生终点事件的具体时间,从而造成数据的删失,此时那些基于完整数据下的模型估计方法以及统计推论可能就不再适用了。并且在实际问题中,协变量的维数通常是较高的,模型往往是稀疏的,过多的变量会使分析失去重心,此时为了揭示变量相互之间的关系,需要对模型进行变量选择。而国内外鲜有学者研究响应变量删失下单指标分位数回归模型的参数估计及变量选择问题。本文提出了基于非参数数据增广法处理单指标分位数回归模型中存在的数据删失问题,并利用非迭代算法更新模型参数,同时通过自适应LASSO对高维协变量进行变量选择的方法。为了检验该方法的有效性,在数值模拟中,我们通过设定响应变量右删失的误差同方差和误差异方差单指标分位数回归模型,在不同的删失率和分位点上,根据本文所提出的评价指标分别在变量选择环节、参数估计环节、处理删失环节中与已有的方法进行比较,结果显示本文所采用的的方法不仅能精确地估计参数和还原连接函数,还能有效地筛选高维协变量。根据数值模拟的结果,我们发现基于非参数数据增广法的算法相比于基于Powell（1986）、Portnoy（2003）的算法能更有效地处理删失数据下单指标分位数回归模型的参数估计及变量选择问题。因此在实证分析,我们将基于非参数数据增广法的算法分别应用于波士顿房价数据集和原发性胆汁性肝硬化数据集中,并建立删失数据单指标分位数回归模型,通过和完整数据下所估计的模型参数和还原的连接函数曲线进行对比,评价本文所采用的方法应用于这两个真实数据集时的有效性,此外,我们还分别探究了波士顿房价和原发性胆汁性肝硬化的影响因素并给出了相应的建议。