动物生态学（animal ecology）与动物学、生态学密切联系,是现代生态学的重要内容之一。数学和统计的思想与方法在动物生态学中有着广泛的应用,在该领域的发展过程中发挥了巨大的推动作用。动物个体识别（animal individual identification）是通过检验动物个体的唯一性标志,从而判断前后两次或多次被观测的个体是否属于同一个体。在动物生态数据收集过程中,动物个体识别技术的作用与优势日益突出。基于动物个体识别数据,我们通过建立适当的数学模型,能够挖掘出研究区域内相关动物群体的种群数量、出生率和死亡率、运动/迁移模式、以及动物社会结构等丰富的动物生态学信息。众所周知,似然函数,以及基于似然函数的极大似然估计、似然比检验等方法在统计推断中扮演着重要角色。但是,个体识别数据往往具有较为复杂的相关性结构（不同个体之间,不同时间点之间）,同时,还存在着数据缺失的问题（例如,我们无法观测到目标动物群体中所有个体）。个体识别数据的这些特点使得似然函数变得不再适用或者难以计算。自1988年Lindsay提出复合似然函数（composite likelihood function）以来,由于其在提升计算效率、处理高维数据、解决复杂数据结构问题等方面的优势,基于复合似然函数的方法在不同的研究领域得到了广泛应用,也为动物生态学数据模型提供了新的统计推断工具。在动物生态学研究中,滞后识别率（lagged identification rate,LIR）和滞后关系率（lagged association rate,LAR）是描述动物运动和社会结构的关键参数。本论文中,我们以研究滞后识别率和滞后关系率的两类模型为例,首先说明这两类模型均是以马尔可夫过程为基础,进而通过构造新的随机变量建立而成;然后,针对两类模型的统计推断,引入了复合似然函数的理论框架,并系统地研究了模型参数的极大复合似然估计（maximum composite likelihood estimators,MCLEs）的理论性质;最后,我们提出了基于复合似然函数的模型选择方法,并应用于滞后识别率和滞后关系率模型。本文的主要研究内容和贡献如下:1.首次将复合似然函数的理论框架引入到动物个体识别数据的统计推断中,说明了用于动物运动和社会结构分析的修正似然函数（modified likelihood）方法都能够被纳入此框架中,通过构造成对变量乘积形式的复合似然函数（pairwise product composite likelihood）,以实现滞后识别率和滞后关系率等参数的估计;2.在复合似然函数的理论框架下,给定适当的正则性假设条件,本论文证明了滞后识别率和滞后关系率两类模型参数的极大复合似然估计的收敛性和渐近正态性等理论性质,并在多种模型设置下,通过模拟数据实验研究进一步展示和检验参数估计的收敛效果;3.模型选择对于动物生态学研究至关重要。本论文基于构造的复合似然函数,提出了用于模型选择的复合似然信息准则（composite likelihood information criteria,CLIC）,CLICa和CLICb准则,并将其与一些常用的模型选择准则,包括AIC,BIC以及QAIC,进行比较。模拟结果显示,CLICa和CLICb准则的表现优于AIC,BIC和QAIC,能够以更大概率选择出正确的滞后识别率和滞后关系率模型;4.我们将复合似然函数方法应用于加拉帕戈斯群岛附近水域中雌性抹香鲸,以及加拿大新斯科舍海岸附近峡谷中北瓶鼻鲸的个体识别数据,进行滞后识别率和滞后关系率等参数的推断,并利用CLICa和CLICb准则进行模型选择。此外,本文还采用基于t-SNE的分类方法对两类鲸鱼的个体识别数据进行了分类。综上所述,本论文将复合似然函数引入到基于动物个体识别数据的动物生态学研究中,针对滞后识别率和滞后关系率两类模型构建复合似然函数并进行统计推断。我们系统地研究了复合似然函数的理论性质,证明了极大复合似然估计的收敛性和渐近正态性,并且提出了基于复合似然函数的模型选择方法。本论文的研究工作为基于动物个体识别数据的统计学推断提供了参数估计和模型选择的新思路与理论基础,对于动物生态学研究中其它类型数据,尤其是具有复杂相关性结构的数据分析也有着重要的参考价值。