在生物学，医学，经济学等研究过程中，研究的个体有时会重复的经历某一事件或者多次的失效，这种事件叫做复发事件。在复发事件的研究过程中产生的数据，我们就称为复发事件数据。复发事件数据根据研究对象种类的不同一般可以分为两种类型:当实验者只对一种可反复发生的事件感兴趣时，这时得到的数据称为单类型复发事件数据;然而有时研究的个体可能会同时经历多种不同类型的复发事件，并且各类复发事件之间还存在一定的相关性，这时我们就需要同时研究各类复发事件，这样得到的数据称为多类型复发事件数据。　　复发事件是广泛存在的，然而复发事件数据的结构往往是很复杂的。因为这些事件之间常常存在一定的相依性和有序性，越来越多的学者正致力于解决这方面的问题，并且获得了许多有意义的结果。　　对于复发事件，我们常常感兴趣的是研究协变量对复发事件的影响程度。实际上，许多学者已经提出了各种不同的回归模型来研究协变量对单类型复发事件的影响。在传统的研究中，我们往往关心的是在两种不同的处理下，均值函数的相对比例，因此我们通常是利用比例模型进行建模。但是在某些实际问题中，我们也需要考虑在两种不同的处理下，均值函数的绝对差异，也即协变量对基线均值率函数产生的加性的影响。本文主要讨论的是多类型复发事件在协变量影响下的加性变换模型，同时给出了一种广义估计方程方法对模型中参数进行估计。　　全文结构如下:第一章首先介绍了复发事件数据，给出了AG比例模型，并讨论了多类型复发事件的加性模型提出的背景及现实意义;第二章我们介绍了两个单类型复发事件的加性模型:简单加性模型和加性变换模型;第三章首先给出了多类型复发事件的加性变换模型，然后我们采用广义估计方程方法对参数进行估计，最后给出了估计量的渐近性质;第四章我们首先给出了一个模型检验程序来检验模型的优劣，并通过模拟研究来评价参数的好坏;第五章总结与展望。