本文基于AIC准则思想研究了新药研发过程中三类试验下的药物临界剂量的识别问题. 在新药研发过程中的各个阶段都涉及到药物临界剂量的识别问题.药物临界剂量是指使得响应变量刚发生变化时的剂量水平.根据试验结果分析临界剂量对于认识药物的性能和作用效果具有重要意义.本文考虑以下三类旨在识别药物临界剂量的试验：(1)完全随机化试验，即每个试验个体被随机指定一个试验药物剂量；(2)一组试验个体在选定的所有药物剂量水平上进行试验，此时，得到的观测数据是纵向数据；(3)试验个体组开放，即试验对象(或个体)有中途退出或加入的情况. 对于第一类试验，在假定药物毒性试验中响应变量服从独立正态分布的前提条件下，本文基于模型识别的思想首次给出了识别药物临界剂量的AIC方法，证明AIC方法所得估计的强相合性，给出了估计的概率分布的收敛速度.实例分析表明新的估计与假设检验方法当检验水平为0.05时的结果是一致的，同时从MonteCarlo模拟比较的结果可见，新方法较已有的方法相比，在更具实际意义的中小样本情形下少有冒进的估计，并且估计等于真值的概率明显增加，表明了其优良性.新方法可以直接推广到多维响应情形，本文在多维独立正态响应下得出了类似的结论并做了模拟研究.与假设检验方法不同，AIC方法不依赖于显著性水平的选取，另外此新方法可以放宽关于正态分布的假设，只需要总体二阶矩存在即可，因此在临床试验中更为实用. 第二类试验在实际中也是重要的常用试验之一，其特点是由于同个体的响应具有相关性而产生纵向观测数据，近几年得到统计工作者的极大重视.对于这类试验，本文在均匀相关模型和一阶线性自回归模型条件下，利用AIC准则的思想分别首次给出了识别药物临界剂量的QAIC方法，证明了该方法得-Ⅰ-到的估计的强相合性，并在此基础上进一步从模型识别的角度给出了所得估计的概率分布的收敛速度.由于该方法不依赖于对于响应分布的假设，MonteCarlo模拟表明，QAIC方法具有良好的稳健性. 第三类试验允许个体观测的缺失，以及随试验进行对参试个体的调整.针对此类试验，提出一类数据随机缺失条件下药物临界剂量的识别的AIC1方法，该方法也不依赖于对于响应分布的假设，用其得到的估计仍满足强相合性.同时模拟结果表明，在独立正态响应及t响应下中小样本时该方法估计的精度要明显优于假设检验的方法，而在随机缺失的纵向数据下，AIC1方法即使是在中小样本时的估计也达到较高的精度.