将参数模型与非参数模型进行综合并推广形成的半参数模型同时兼顾了参数模型易于解释性与非参数模型灵活性的优点;如果进一步将模型结构从局部线性扩展到局部非线性结构时,这样的模型不仅具有半参数模型的优点,还克服了局部线性模型中线性函数的局限性,更能够应对自变量与因变量之间形式多变的结构特征,使其更符合实际应用中复杂的数据关系。因此,研究局部非线性模型的参数估计具有重要的意义。在本篇论文中,我们从经典频率学派和贝叶斯学派两个角度全面地对局部非线性模型中的参数估计方法进行了研究。我们考虑的局部模型由三部分组成:1.因变量均值中的线性或非线性部分;2.因变量均值中函数形式未知的部分;3.通常取为正态分布的误差项。通常,一个结合了最小二乘法与非参数估计法的两步估计方法被用于该模型的参数估计问题,然而该方法需对数据的分布族进行假定,在这里我们提出使用经验似然法,放松了对于分布族进行假定的要求。对于模型中函数形式未知的部分,在实践中,有时我们会有一定的先验信息,为此本文还从贝叶斯学派的角度,采用非参数的贝叶斯理论,给出基于B样条方法和高斯过程作为先验信息的参数贝叶斯估计方法。最后,我们使用模拟研究分析了各种估计方法的表现,并选取最为合适的方法用于一个真实案例中。我们使用2018年最新的股市数据,对日经指数、道琼斯工业平均指数以及美元兑换日元汇率这三者数据建立局部非线性模型,240个观测数据的拟合结果反映出日本股市与美国股市之间的关系,并说明了局部非线性模型的参数估计在实际应用中存在价值与意义。