在大数据时代,因果推断的研究在近二十余年来得到了快速的发展,并逐渐运用于医疗、金融、互联网和社会研究等领域。在观测性研究中运用倾向得分对于条件平均处理效应进行估计一直是因果推断领域的热点,但是基于倾向得分的条件平均处理效应估计常常由于倾向得分的模型设定偏误或者估计偏误而导致的协变量不平衡从而进一步影响估计结果。本文将协变量平衡运用在半参数核方法以及广义随机森林模型中用以提升相应的模型对于条件平均处理效应的估计效果,并且运用数值模拟实验证明了本文提出的协变量平衡方法可以有效提升半参数核方法以及广义随机森林模型在估计条件处理效应时的稳健性并且使之在协变量不平衡的数据分布中依然可以取得较好的估计结果。本文运用基于协变量平衡的广义随机森林算法和半参数核方法分析了北卡罗来纳州生命统计数据中不同年龄阶段的白人孕妇和黑人孕妇的吸烟与否对于新生婴儿体重的条件平均处理效应。运用基于倾向得分的估计方法估计的条件均值处理效应去反映异构性总体中由特定特征维度数值进行划分的不同子集的处理效应是因果推断观测性研究中常常运用的研究分析方法。考虑到参数模型在实际运用中常常会存在模型设定偏误的问题,并且在估计倾向得分过程中还会面临着因协变量不平衡而导致倾向得分估计存在偏误的问题,本文提出了在传统的半参数核方法中引入协变量平衡方法,旨在运用协变量平衡加权方法解决半参数核方法估计条件平均处理效应的过程中的协变量不平衡以及模型误设场景下模型稳健性差的两个问题。基于协变量平衡的半参数核方法运用协变量平衡倾向得分估计倾向得分并通过半参数核方法估计条件均值处理效应。数值模拟实验验证了协变量倾向得分可以在满足基础假设的前提下有效的提升模型在协变量分布不平衡的数据分布场景以及在倾向得分的参数估计模型设定存在误设的情况下的估计效果。广义随机森林算法因为其理论的完备性并且相对其他因果森林类算法有更低的计算花销的优势,在估计条件处理效应的研究中得以广泛利用。同样,在协变量不平衡以及模型被误设的情况下估计条件处理效应会有较大的偏误的全队也制约了广义随机森林算法在实际研究和分析中进一步推广。本文基于该痛点提出了基于协变量平衡的广义随机森林对条件平均处理效应进行估计。基于协变量平衡的广义随机森林的主要贡献在于将公共支撑方法（Overlap）加权处理后的由协变量平衡倾向得分方法估计的倾向得分运用于广义随机森林算法框架之中,意图通过协变量平衡倾向得分和Overlap增加模型的稳健性以解决在协变量不平衡的情况下和模型被误设的情况下条件处理效应估计的问题。数值模拟实验证实在数值不具有异构性时协变量平衡倾向得分和Overlap方法可以增加模型的稳健性并且在协变量不平衡的情况下有着较好的表现,但是在有异构性的数据中,当控制组与实验组的样本比例分布不均匀时,实验结果与本文的最初的设想相违背。最后本文总结了两个创新点以及数值模拟实验及实例分析的结果,同时也分析了本文研究的不足之处以及一些值得进行更加深入研究的研究点。