汽车保险定价的基础在于风险分析,车辆因素、驾驶人因素以及行车环境因素构成了汽车保险定价所倚赖的一个风险系统.而传统的定价方法多为确定性方法,如单项分析法、最小偏差法、多元线性回归模型等,这些确定性方法方法的优点在于过程较为简单,但无法反映汽车保险定价风险因子的随机效应,于是开始尝试随机模型的引入.在众多随机模型中,广义线性模型(GLM)得到了广泛的应用,广义线性模型在理论、模型结构以及模型诊断上都有了更大的进步,它更贴近实际生活,使用领域更广.虽然GLM解决了传统线性模型的局限性,但GLM的系统成分仍然表现为协变量的线性形式,在很多情况下,序列数据尤其是空间数据的协变量影响经常表现出强烈的非线性,这使得GLM的应用受到一定的限制.本文以此为切入点,在汽车保险定价中引入广义加法模型(GAM).GAM是GLM的延伸,它既保留了GLM的基本框架,又将部分协变量对联系函数的影响设为非线性,并将非参数平滑技术应用于指数分布族数据.全文共分六大部分,第一部分为绪论,介绍问题研究的背景、意义及研究方法；第二部分介绍传统的汽车保险定价方法；第三、四两部分介绍GAM,并将非参数平滑方法应用于到GAM中,结合贝叶斯理论(Bayes)和马尔可夫蒙特卡罗(MCMC)方法得到参数的估计；第五部分构建汽车保险定价模型,包括伽玛加法模型、泊松加法模型；第六部分为实证部分,以国外某保险数据为样本构建了汽车保险定价模型,得到了较好的效果.虽然GAM的广泛应用性还有待进一步研究,但实证结果表明,该方法更适合协变量为非线性的假设,这将为保险公司汽车保险定价提供了更大的参考空间.