线性模型是用来描述多个变量之间线性关系的模型,在成分研究中应用得十分广泛.模型选择理论可以用于确定真实线性模型中的变量.目前,常用的模型选择方法,如逐步回归,AIC信息准则,以及贝叶斯方法等,都是假设数据集的特征是局部的,即仅仅利用单个变量值来构建模型.然而,在许多实际问题中,单个变量的变异性以及变量之间较大的相似性普遍存在,导致这些方法存在决策精度低,小系数变量和相似伪变量无法识别,甚至无法解决变量的决策.主要的原因是这些方法都是基于拟合优度,没有充分地挖掘数据的特征,受到变异性和相似性的严重干扰,从而使得在模型中确定合适的阈值达以到理想的目标函数变得非常困难,甚至不可能.为了解决这一问题,在向前逐步回归模型的基础上,本文提出回归自变量和残差的非局部特征相似性分析模型.向前逐步回归模型的一个重要原则是追求最优的拟合优度缺失(Lack of Fitness),简称为LOF原则.基于该原则,本文提出窗口调整的拟合优度缺失原则(Window-Adjusted Lack of Fitness),简称为WALOF原则.在考虑回归拟合优度缺失的同时,还考虑了回归残差在变量特征片段上的拟合优度缺失,以及与相应的变量在这些片段上的相似度.对于真实模型中的变量,因为特征被拟合,片段上的拟合优度缺失和相似度在其加入前后应该有显著的降低,同时该变量与加入前的残差在某些片段上的相似度较高.对于不在真实模型中的变量,片段上的拟合优度缺失和相似度在其加入前后一般没有显著的降低.同时,因为加入了真实模型中不存在的特征,该变量与加入后的残差在某些片段上的相似度较高.综合回归残差和变量特征片段上的分析,建立一个高维特征空间,对空间中的特征构建二分类优化模型来判断变量是否应该加入线性模型.最后,将本文方法应用在多种镇静剂的识别上,取得了十分优异的效果。