本文主要研究了基于局部线性估计为非参数同归函数构造偏差修正经验似然置信区间的问题。本文提出利用局部线性拟合的正则方程定义经验似然，分别使用两种不同的偏差修正方法对所定义的经验似然进行偏差修正，分别证明了两种偏差修正经验似然比函数的Wilks定理，最终为非参数回归函数逐点构建起两种偏差修正经验似然置信区间。　　 Chen和Qin(2000)研究过这个问题。本文与之相比，最大的不同在于定义经验似然的估计方程。Chen和Qin(2000)中的估计方程定义出的辅助变量既不独立也不同分布，而本文提出的估计方程定义出的辅助变量是相互独立的，避免了对经验似然进行方差项调整的问题。通过数值模拟，本文证实了所提估计方程比Chen和Qin的包含了局部线性拟合中更多的信息，能构建出更可靠的置信区间。　　 本文使用了两种偏差修正方法，包括Chen和Qin(2000)中使用的Under-Smoothing，以及Xue和Zhu(2007)提出的Residual-Adjustment，意在比较两种不同方法的偏差修正效果。通过数值模拟，本文发现Under-Smoothing偏差修正经验似然置信区间比Residual-Adjustment得到的更好，特别是在小样本下。　　 为了尝试解决为Under-Smoothing方法选择窗宽的问题，本文探讨了一种为构建置信区间而设定的窗宽选择准则，最优覆盖误差与平均长度准则。模拟结果显示，本文所提的准则比交错核实更适合用来为构建经验似然置信区间选择窗宽。