半参数模型、变系数模型和分位数回归是当今回归分析中研究的热点问题。20世纪70年代,Koenker和Bassett提出了著名的线性分位数回归模型,有效地解决了数据分布中存在厚尾或异常值的难题。但在实际应用中,线性分位数回归无法捕捉潜在的较为复杂的分位数结构,如一些变量之间存在着高度的非线性相关或相互影响的关系。为此,学者们提出了非参数分位数回归模型,以观测出变量间复杂的非线性关系,然而该模型却无法观测出变量间的线性关系。本文在半参数模型、变系数和分位数回归的基础上,提出了一种新的半参数变系数分位数回归模型。半参数变系数分位数回归模型,同时含有线性和非线性两个部分。该模型既可以观测到变量间复杂的线性或非线性等关系,还可以捕捉到每个变量的具体变动情况。由于分位数回归的非线性性质,传统的近似最小二乘估计法(Profile Least Square)并不能直接运用到半参数变系数分位数回归模型中。因此,在半参数变系数分位数回归模型的估计上,本文提出了一个新的两阶段估计方法。对于模型中线性部分的系数估计,我们首先将模型中线性部分的变量系数当作非参数形式,利用非参数估计法估计出变量的系数函数,然后对系数函数求均值。对于模型中非线性部分的系数估计,我们用理论带宽选择法选出一系列可能的带宽并以非参数AIC为标准从中选出一个最优的带宽,然后选择一般的高斯核函数和局部多项式线性估计法对变量的系数函数做出估计。最后,本文以具有典型性和权威性的波士顿房价数据作为半参数变系数分位数回归模型及其两阶段估计应用的一个例子,展现该模型在现实经济问题中良好的解释能力。