随着社会的发展,计算机存储能力和处理速度的提升,我们在环境科学、化学、生物学、医学、经济学等越来越多的领域观测到的数据越来越精细。例如,对一个现象我们可以观测一个大样本的变量,进一步我们来看一个通常的情形：某个随机变量可以在范围(t min,tmax)的一些时间点上取值,则它的一个观测样本可以通过随机族{X(tj)} j=1,....,J来表示。在现代统计中,给定范围时的观测数据越来越多意味着连续不断的常数越来越靠近。传统统计方法和统计模型在处理这类数据时存在很多问题,如过拟合和维数祸根问题。为解决这些困难,统计学者们把这些观测到的大样本数据考虑成连续族,将每个个体看成一条曲线,从而对曲线数据进行统计分析。这就是本文中函数型数据的基本思想。部分线性模型理论首先由Engle et al(1986)提出,随后被广泛研究和应用在应用统计的许多领域。这种模型允许一部分解释变量为参数形式,而另一部分解释变量为非参形式。随后Thomas把此模型推广到广义形式。本文应用拟似然方法来对广义部分线性模型进行估计,并利用近年来函数型数据在非参数统计方面的发展,把函数型数据引入到解释变量的估计中来,研究广义半函数部分线性模型,对模型中参数估计量的一些渐进性质进行了说明。最后,用一个实值例子来说明本文中模型的估计效果。