人口死亡率的研究一直是人口统计学和保险精算学的核心问题。近年来,随着各国社会经济和医学的快速发展,很多国家和地区都呈现出人口死亡率不断下降和人口寿命不断延长的特点,长寿风险也随之而来。在此背景下,人口死亡率的准确预测对于各国政府和管理机构制定更为科学合理的养老有关政策至关重要,对于保险公司基于目前新的死亡率情况比如高年龄段死亡率下降以及预期寿命变长等改进和研发新的险种起到核心的作用。人口死亡率预测模型早期是以确定性模型为主,近年来随机性预测模型得到越来越广泛的应用。随机预测模型比确定性预测模型能够更好的拟合数据,同时也具有更强的拟合和预测能力。随机死亡率预测模型中获得较多使用和研究的是Lee-Carter模型和CBD模型这两类模型。这两类模型及其推广形式都是参数模型,模型中含有多个未知参数,因此存在估计步骤繁琐、计算量大等缺点。为了改进现有死亡率预测模型,将近年来在统计学和计量经济学中已经得到广泛研究的非参数和半参数建模思想用到死亡率预测模型的构造上是非常有用的探讨,目前关于这方面的研究成果还很相对较少。Li等(2015)将传统的CBD模型设定成一类时间变系数面板数据模型,并采用局部线性方法进行估计,而Li等(2019)更进一步将线性关系推广到多项式关系上。需要指出的是Li等(2015)和Li等(2019)都没有考虑队列效应的影响。为了解决这一问题,本文在以上研究的基础上提出了一类半参数变系数可加CBD模型,该模型将队列效应的影响设定为非参数部分,从而可以更灵活的刻画队列效应。本文所构造的模型在统计学中属于一类可加变系数模型,现有估计方法存在计算量大的缺陷,本文提出使用一类计算简便的backfitting方法对模型进行估计,并将提出的模型用于意大利人口死亡率实际数据的分析中。传统的死亡率模型包括CBD模型以及Lee-Charter模型研究的是一个地区的多年份各年龄别死亡率问题。但在很多实际情况下,要考虑多个地区的死亡率问题,比如研究我国31个省域单位的人口死亡率问题。针对这一问题,论文构造了一类时空变系数模型,并考虑了队列效应的影响,进一步提出了一类半参数时空可加变系数模型。同时,本文也对提出的模型给出了估计方法。论文将半参数建模方法应用于死亡率预测模型的构造中,构造了半参数可加时间变系数CBD模型以及时空变系数CBD模型还有半参数可加时空变系数CBD模型。研究成果在理论上推广了现有死亡率预测模型的范围,应用上为实际工作者提供了更加灵活的死亡率预测方法。