多指标模型是半参数模型以及降维领域中的重要模型之一,对多指标模型进行估计时,需要估计未知的连接函数以及充分降维子空间,通过将函数的参数空间映射到低维的线性空间,多指标模型既能解决参数模型中存在的模型设定问题,又能解决非参数模型中的维数过高所带来的问题。本文主要研究多指标模型的低维参数矩阵的估计问题,所得参数矩阵列向量张成的子空间被称为中心期望降维子空间（CMS）,因此本文重点关注的问题为CMS的结构维数和方向向量的估计问题。本文从度量学习的角度出发,通过学习得到的度量矩阵来估计CMS,基于Weinberger和Tesauro提出的一种核回归度量学习算法（MLKR）,在该算法的基础上对CMS的结构维数和方向向量进行估计。首先,在MLKR中对度量矩阵进行估计时,对初始矩阵的维度进行设置,采用顺序测试的方法,根据所得到的留一法下的二次损失函数值的信息,设置临界值来使维度估计程序停止,从而得到CMS结构维度的估计值;其次,通过估计所得结构维度以及低维矩阵,对低维矩阵列向量进行正交单位化处理,则得到方向向量的估计。最后,基于所得CMS和度量矩阵的估计,即得到多指标模型中的多指标向量的估计,通过对度量矩阵进行SVD分解,根据所得特征值的大小能进一步比较指标对因变量的影响程度。在第五节中,通过设置四个已知模型进行数值模拟实验来验证本文方法的效果。从模拟实验的结果来看,当样本量较大以及协变量个数较小时,估计效果较好,另外,方向向量的估计效果比SIR方法估计效果好,与MAVE方法的估计效果相当。通过模拟实验得到在维度估计程序中的较佳的临界值为4n-1/2,与序贯检验以及MAVE中结构维数的估计方法相比,本文方法有着一定优势。在第六节中,将本文方法应用于实际数据集上,能有效的找到重要的解释变量,进一步说明了本文方法的实际应用效果。