近年来,随着数据收集与存储技术的飞速发展,超高维数据在基因芯片、生物医学成像、经济学等诸多研究领域中的应用十分广泛。数据的超高维度也使得传统的统计方法遭受了较大的冲击,许多传统方法因不太适合新的数据要求而不能应用。为了克服超高维度带来的巨大挑战,人们对变量筛选方法进行了大量的研究,变量筛选方法可以有效地降低协变量的维度。已有的超高维数据变量筛选方法大多数只考虑完全数据(不考虑删失)的情形,因此,不能直接应用于生存模型。目前,关于超高维生存模型的非边际变量筛选方法研究主要集中在Cox模型,而关于超高维可加风险模型的非边际变量筛选方法研究还比较欠缺。在这篇文章中,我们继续可加风险模型下的变量筛选研究,针对超高维可加风险模型提出了一种非边际的特征筛选方法。与已有方法相比,本文所提出的方法利用了协变量之间的联合效应,能够有效地识别与响应变量联合相关但边际独立的重要协变量。此外,我们还将提出一种迭代硬阈值(IHT)算法来有效地执行所提出的非边际的特征筛选方法。我们严格地研究了该迭代算法的收敛性,并进一步证明了所提出的非边际的筛选方法具有确定筛选性质。我们进行了蒙特卡罗仿真来评估所提出方法的有限样本性能,并通过一个实际数据实例的实证分析来验证所提出的方法。