部分线性模型是一类重要的半参数回归模型，结构是将线性模型与非参数模型相结合，既保留了参数回归模型容易解释的优点，又保留了非参数回归模型灵活性的特点，可以更好地拟合数据.随着科学技术和计算机的快速发展，数据收集变得越来越容易，超高维数据频繁的出现在生物医学、工程研究、金融等各个领域，如何处理和分析这些数据成为目前具有挑战的前沿问题.在超高维数据下，针对线性回归模型的变量筛选研究已经很多，而部分线性模型更多的还是在低维数据下进行研究，因此研究超高维部分线性模型的变量筛选具有理论意义和实际意义.　　本文主要考虑超高维部分线性模型，其中线性部分的维数p远远大于样本量n，且维数p随着样本量n呈指数阶增长.为了有效的进行变量筛选，根据截面向前回归(profiled forward regression，简写为PFR)算法，考虑到协变量之间的相关性，本文提出了profile贪婪向前回归(profile greedy forward regression，简写为PGFR)算法.从模拟研究和实例分析，可以看出PGFR完成的是非常有效的.　　本论文的研究工作主要有以下两个方面:　　1.针对超高维部分线性模型，首先基于半参数回归的profile方法，把超高维部分线性模型转化成超高维线性模型.其次，为了对高维线性分量进行有效的变量筛选，考虑到协变量之间的相关性，提出了PGFR变量筛选方法.在一定正则条件下，证明了所提PGFR变量筛选方法具有筛选相合性.为了确定所选模型是否能够依概率趋于1包含真实模型，进一步提出了BIC准则，并证明了BIC准则能够依概率趋于1选择真实模型;　　2.针对PGFR变量筛选方法，本论文将考虑在每次做变量筛选时，选入2个或4个协变量进入模型作为重要变量的情况.首先通过三个不同的例子进行数值模拟，观察所得结果，发现筛选重要变量具有有效性.然后将本方法分别与PFR、确定性独立筛选(sure independence screening，简写为SIS)和迭代确定性独立筛选(iterative sure independence screening,简写为ISIS)方法进行对比分析，发现在协变量间共线性较强或者模型信噪比较低时，每一次选入4个协变量进入模型的效果更好.为了验证本文所提出的PGFR方法的有效性，我们对一个实际数据进行分析，并和PFR、SIS和ISIS方法进行对比,发现所提方法能够有效完成变量筛选.　　最后，给出结论与展望，概述了本论文所获得的主要研究成果和创新点，并指出进一步研究的问题和方向.