在医疗、金融和其他学科领域,研究者们经常会遇到如何评估处理方式对个体影响的问题,最为主流的是用条件平均处理效果（CATE）作为衡量。而实际研究中由于实验参与者的退出或是其他原因收集到的数据往往是缺失的。本文研究响应变量随机缺失下的k近邻核方法估计CATE并证明了估计量的几乎一致收敛性及其渐近正态性,给出了其区间估计。本文采用Neyman-Rubin潜在结果框架,在响应变量随机缺失的情况下,用k近邻核方法估计CATE,证明了估计量的几乎一致收敛性,并给出了其收敛速率。在证明其渐近正态性时对不同环境下的响应变量之间的关系做了假设,并在假设下推导出了其渐近正态性及其区间估计。模拟中在样本量不同,协变量生成分布不同,响应变量缺失度不同的情况下探索k近邻核估计器的表现,并与其他两种机器学习方法做了详细对比,模拟结果说明该估计器表现的最好。在实证分析中用该估计器去估计两种治疗方案下感染艾滋病的患者的处理效果,并给出了其区间估计。本文的结构安排如下,第一章论述研究的背景、意义和现状。第二章为模型介绍,本文的主要结果及其证明。第三章讨论数值模拟问题。第四章为实证分析。最后一章为全文做出总结并指出了待解决的问题及今后的研究方向。