有限维参数的有效估计问题，比如极大似然估计，已得到系统的研究，但目前很少的工作讨论非参及半参模型的有效估计。仅有的两项工作（分别发表在JASA，2010和Biometrika，2012）都是讨论生存分析中比例风险模型的风险函数的直接估计问题，并推导了估计函数的有效性。他们的方法不能直接推广到其它模型中，因而一般的非参及半参模型的有效估计方法还不清楚。本文探讨三类基本的非参及半参模型的有效估计问题，包括经典非参回归模型，单指标模型以及纵向/函数数据半参数的均值协方差联立模型。
　　在估计经典非参回归模型中，现有的最小二乘或分位准则，只是基于计算方便或稳健考虑，都不是有效估计方法。本文基于最优目标准则，即似然函数，估计回归函数。由于似然函数包含未知的密度函数，直接最大似然不可行。文中首先通过估计误差的密度函数得到似然函数，然后最大化估计的似然推导回归函数，最后通过迭代得到估计量。
　　在估计单指标模型中，涉及指标参数和连接函数的估计。现有的方法或是不估计连接函数，直接估计指标参数的方法，或是基于最小二乘或分位数准则两步估计指标参数和连接函数。直接方法太过局限，两步方法不是有效估计。本文分别以局部似然和全局似然为目标函数估计函数与参数。由于目标函数包含未知的密度函数，直接最优似然函数不可行。本文首先通过估计误差的密度函数得到似然函数;然后基于局部条件似然得到连接函数及其导数的估计值;再基于全局似然得到指标参数的估计，最后迭代获得最终估计。
　　在估计纵向/函数数据半参数的均值协方差联立模型中，现有的边际似然方法忽略相关性，必会导致有效性的损失。本文以完全似然函数为目标函数，分别对均值函数，方差函数及相关系数函数进行估计。但是，完全似然中涉及待估函数在不同点处的值，若用传统的局部核技术，需要高维核函数，将遭遇“维数诅咒”。本文采用迭代方法，即对不在估计点附近的函数值，用前一步估计值近似，然后迭代得到最终估计。
　　文中证明了基于迭代算法的估计量的相合性，渐近正态，并且证明了半参数有效性，本文提出的全局估计方法为最优的非参数估计方法。数值仿真和实例分析也证实了提出方法的优越性，即本文的方法比现有的方法有更小的偏差及方差。