局部多项式估计是非参数方法中一种有效的估计。这种方法既适用于固定设计点模型，也适用于随机设计点模型。而且不管设计点是高度集中还是近似平均，局部多项式方法也均适用。另外局部多项式还有一个重要的性质，即与非参中的核估计相比，它有效的解决了边界效应问题。这一重要性质在Fan（1992，1993），Fan and Gijbels（1992）和Ruppert and Wand（1994）中有详细描述和证明。局部多项式方法虽然解决了核估计中存在的众多问题，但是就均方误差的收敛速度而言，局部多项式并没有取得较核估计更为理想的结果，而且能使局部多项式估计达到较好效果的最优窗宽寻找起来非常麻烦。同时，由于寻求最优窗宽的标准不统一，不同的标准将求得不同的窗宽，从而导致了不同的估计。目前，计算窗宽常用的方法有CV、GCV方法。而用这些方法寻找窗宽时的计算量非常庞大。本论文主要提出了改进非参方法中局部多项式模型的两步估计。在第一步中，用局部多项式方法得到不考虑窗宽的估计，此估计的结果与窗宽的选择有关，不同的窗宽选择对应不同的估计结果；第二步中，不是按照一般的模式去求最优窗宽，而是构造了一个新的模型，对窗宽做回归，把r（x）作为截距去估计从而得到新的结果。经过证明得到的新估计的偏差阶数比局部多项式估计的偏差阶数小，方差阶数没有变化，从而使均方误差阶数变小，估计的有效性得到改进。对于单变量模型，均方误差的收敛速度分别由O(n^{-（2p+2）/（2p+3）})，O(n^{-（2p+4）/（2p+5）})变为O(n^{-（2p+6）/（2p+7）})，O(n^{-（2p+8）/（2p+9）})。比较前后的收敛速度的阶数可以看出，改进之后的估计收敛速度较局部多项式估计的收敛速度有所提高。本文中的方法既保留了局部多项式本身的有效性，同时大大减少了选择窗宽所带来的麻烦和计算量。本文在最后给出了有限样本的模拟，模拟的结果充分说明了新方法的有效性。