随着技术的快速发展,以相对较低的成本收集到的超高维数据已经经常出现在基因组学、图像学和经济学等多个领域.超高维数据的统计分析是现代统计学研究的热点和难点.困难之处主要在于超高维数据的样本量远小于变量个数.近年来,针对只有一个终止事件的超高维标准生存数据,统计学者们已经提出了许多特征筛选方法.事实上,在标准生存数据之外,还存在一些复杂的生存数据,例如竞争风险数据,半竞争风险数据等等.在研究某种癌症时,病人可能死于癌症,也可能死于其它原因,该原因就是死于癌症的竞争事件.在竞争风险数据分析中,不能简单地把竞争事件归为删失,这样的做法是错误的.因此,针对标准生存数据的超高维数据分析方法不能用于超高维竞争风险数据的分析.然而,现有的文献对超高维竞争风险数据的相关研究还很少.有些学者提出了基于皮尔森相关系数的确定性独立筛选方法来解决这一问题.但是该方法存在一些缺点,例如:不能发现非线性关系,对于异常值比较敏感等等.本文提出了一种新的边际特征筛选方法用来挑选对感兴趣事件有重要影响的协变量.本文所提出的方法有如下优点:第一,新方法是无模型的;第二,它对感兴趣事件服从重尾分布或具有潜在的异常值具有很强的稳健性;第三,它对要研究的事件时间的任何单调变换都是不变的.在适当的假设下,本文证明了新方法具有秩相合性和确定性独立筛选性质.本文还通过数值模拟对该方法的有限样本性质进行了评估,并且与现有方法进行了比较.最后通过实例数据分析来验证本文提出来的新方法.