随着现代信息技术的快速发展,(超)高维数据涌现于多个领域。其特征为预测变量个数远大于样本量。且预测变量与响应变量之间往往非线性相关。传统的统计学方法与线性模型假设不再适用。考虑到完全非参数模型的“维度诅咒”,在本文中,我们针对非参数可加模型提出新的变量筛选方法与总体显著性检验统计量。为了充分降维,学者提出了多种独立变量筛选方法与正则化回归法。但是,这些方法均存在诸多弊端。因此,Wang(2009)提出了基于超高维线性模型的向前回归(FR)法。基于FR算法的优良表现,我们在本文中将FR算法拓展为基于向前可加回归的变量筛选方法(FAR)。此外,我们严格建立了FAR算法的筛选一致性,并通过模拟实验和真实数据分析检验了 FAR算法在有限样本下的表现。研究结果表明,与独立变量筛选方法相比,FAR算法能更加有效地识别可加模型中的真实预测变量。且当预测变量间高度相关时,FAR算法甚至比基于迭代过程的独立变量筛选方法表现更好。同时,为了满足现代生物学领域的需求,本文还提出了非参数可加模型总体显著性检验,并提出了两个相关统计量Zn,p和Tn,p,同时采用了基于重回归的交叉验证法(RCV)估计模型的方差。该检验的实质是超高维增广线性模型回归系数的总体显著性检验。然而,现有的超高维线性模型回归系数检验工作仍存在部分空白。因此,我们提出了条件U型检验(CUT),对现有理论进行补充。但是,由于超高维模型中噪音的干扰,现有的高维检验以及CUT检验的势大幅降低。为此,我们提出了基于变量筛选与数据多切分的条件U型检验(CUTS)。我们通过模拟实验发现,在原假设下,Zn,p、Tn,p以及CUT统计量的渐近分布均为正态分布。此外,我们还通过模拟实验和案例分析检验了 CUTS检验在有限样本下的有效性。