本文提出了变系数部分线性模型估计和非线性感知器估计的新方法。人工神经网络是一种机器语言算法,可以在没有任何假设条件的情形下处理大规模数据,这也是传统的统计方法所没有的优点。变系数部分线性模型的估计渐近性证明的假设条件太多,现实条件是很难满足地。但是,人工神经网络也有其不足,对于有关预测的问题人们往往想对现有方法进行控制,从而得到更精确的预测。而神经网络的隐层结构就象一个暗箱,它决定了我们无法得知神经网络的运作原理,从而带来了许多不便。本文通过两种方法的相互结合相互应用,综合神经网络和变系数部分线性模型的优点,为变系数模型和神经网络的应用提供进一步的理论依据。论文主要由四章组成：第一章是引言部分,主要介绍人工神经网络和变系数部分线性模型的背景知识,详细介绍了模糊感知器和非线性权感知器的基本模型、学习目标和学习算法,并指出这两种模型在实际应用中存在的优点和不足。第二章主要介绍变系数部分线性模型的感知器估计方法。首先给出多元线性回归模型的感知器估计方法,并在此基础上运用人工神经网络(见[2])中的模糊感知器模型及其算法来解决非参数回归问题的系数函数估计问题。接着,对变系数部分线性模型的系数函数感知器估计方法和局部线性估计方法通过模拟结果进行比较,从而总结出这种新的估计方法的优点和不足之处。第三章主要介绍基于局部线性方法的非线性权感知器。在前人关于非线性权函数感知器的研究当中(见[3]),并没有给出非线性权函数的具体表达形式。因此,非线性权函数感知器在实际中无法得到运用。在本章中,运用非参数回归中的局部线性方法具体地给出了感知器非线性权函数的逐点估计,提出基于局部线性方法的非线性权感知器模型。为神经网络感知器在实际中的应用研究提供更进一步的理论依据。并通过模拟发现在一般情况下,对于解决现实生活中的非线性问题,基于局部线性方法的非线性权感知器比传统感知器有更广泛的应用。第四章主要对非线性权感知器模型作推广,使它有更多的应用范围。