本文主要讨论在函数空间上近邻域估计的渐近性质，首先分别对近邻域估计和函数空间的背景做了一个简单的介绍，将实数空间上的研究和非参数回归的应用做了一个整理和回顾。对于独立和混合型的过程，非参数M-估计、核估计和近邻域估计等的渐近性质，相合性和收敛速度等，都已经被研究过。本文先回顾了一下函数空间和k阶近邻域估计的概念，指出了近邻域估计与核回归估计的区别和联系。然后提出了在函数空间上k阶近邻域估计的思想。之后提供了一些条件和假设，在一定的α-混合条件下，讨论k阶近邻域估计的相合性和渐近正态性。　　论证过程中，由于对条件的改进，使得渐近性质中得出非零的偏量，证明过程有了进一步的改善。数据分析方面，本文研究了几组不同误差分布的数据，如正态的误差，混合正态和重尾分布的情况。通过数据的模拟，以及与核估计的比较，可以看出近邻域估计在计算量的简单以及数据的稳健性等方面的优势，尤其是当误差为重尾分布情况时，结果更加明显。本文给出了两组数据，最终结果显示，在函数空间中，当数据量比较大时，并且数据在边界上有波动或者异常时，近邻域估计比核估计稍微稳健。