在非参数回归中，对函数的估计已有核估计、局部多项式估计、光滑样条估计、级数估计等方法，这些方法在处理一维问题时显示了强大的处理能力.但是随着维数的增加，高维领域所包含的样本减少，由这些方法得到的估计也越来越不稳定，即出现了“维数祸根”的现象，所以这些方法较难估计一般的多元非参数回归函数.为了克服“维数祸根”，现代统计学家提出了许多回归模型，其中变系数模型就是针对处理高维数据时遇到的困难，应运而生的一种模型.它既部分的继承了非参数回归模型的稳定性的特点，又保留了线性模型的结构简单、易于估计、容易解释的特点，因此对它的研究受到人们的极大关注并且被广泛而深入的应用到生物医学，流行病学、环境科学等领域. 变系数模型是Hastie和Tibshirani于1993年提出的，但它是一个抽象的模型，在实践应用中的可行性较差.为了能够在实践中应用它，许多学者根据不同情况对其作了处理. 其中，Zhang和Wang(2005)提出了变系数部分线性模型，变系数部分线性模型也是由变系数模型衍生出来的模型，它是常数项函数和系数函数具有不同自变量的变系数模型，是一种在实践中应用广泛的变系数回归模型.Zhang和Wang(2005)采用局部多项式估计方法对变系数部分线性模型的常数项函数和系数函数进行了估计，在样本独立同分布的条件下，分别给出了估计的弱相合性和渐近正态性. 本文则采用变窗宽的局部M-估计，在样本独立同分布的条件下，估计了变系数部分线性模型的常数项函数和系数函数，给出并证明了估计的渐近性质.局部M-估计的应用，继承了局部多项式估计方法的所有优点，而且克服了其缺乏稳健性的缺点.变窗宽的局部M-估计则是在局部M-估计方法基础上嵌入一个变窗宽，变窗宽的使用提高了所得到的局部M-估计的灵活性并使得它们能成功地处理空间非齐性曲线.为验证估计的效果，我们给出了具体的实例，在计算机上进行了模拟，结果表明所选估计方法的估计效果是比较理想的.