迅猛发展的计算机技术为海量数据的存取提供了支撑,这些海量的数据中蕴藏了大量信息。从这些数据中获得大量信息的同时,数据的维度越来越高,数据结构的稀疏性、复杂性等特征给数据的研究带来了前所未有的挑战。在追求模型预测的准确性和可解释性的同时,部分线性模型成为了近代回归模型研究的热点。如何在高维数据中实现部分线性模型的有效应用,是本文所要研究的问题。梯度下降法以其快速高效、易操作的特点广泛的用于最优化问题求解中。本文意通过梯度下降法进行高维数据下部分线性模型的求解。在估计中,通过决策树回归算法提取非参数部分复杂的结构,结合梯度下降算法,基于前面的残差进行连续训练来最小化平方损失函数,依次对非参数部分和线性部分的估计求解,以实现对部分线性模型参数的估计。非参数部分使用回归树进行估计,能够解决非参数部分因维度过高,非参数部分变量关系交错复杂而导致拟合效果差,甚至无法求解等问题。对于含有较高维度的线性部分,易产生明显的多重共线性和变量冗余等问题,分别考虑使用岭回归和LASSO方法进行特征选择以降低数据维度。在梯度下降法的估计过程中对线性部分进行变量的系数压缩,同时解决部分线性模型线性部分和非参数部分由于变量过多而导致模型的估计性能变差,无法获取正确信息等问题。并通过数值模拟将传统的两步估计方法和梯度下降估计方法进行对比。结果发现,梯度下降法对于求解部分线性模型具有良好的稳健性;当非参数部分维度较高,数据具有复杂结构时,梯度下降法对模型的求解效率要优于两步估计法;梯度下降法对参数部分的估计效果比两步估计法好。最后将部分线性模型用于民航客运量的研究中,使用梯度下降算法对模型进行估计,发现第二产业增加值、民航定期航班航线里程、民航定期航班航线条数、民航旅客周转量、民用机场个数、国内居民出境人数、国内居民旅游人数等七个变量对民航客运量的影响比较大,所得结果可信度高,有较强的实用性。