在函数型数据分析中函数型回归模型是最重要的统计模型，它的主要作用是探究响应变量和函数型解释变量之间的关系，而最常用的是函数型非参数回归模型，而为了解决非参数回归中的“维数灾难”，产生了响应变量由线性模型和函数型非参数组成的统计模型，即半函数型部分线性回归模型。而在实际工作中如抽样调查，制药跟踪测试，可靠性测试等等，由于各种原因经常响应变量是不完整的，即响应变量随机缺失(MAR)，所以，在缺失数据下对统计模型的研究具有重要意义。本文主要研究在响应变量MAR下，分别对函数型非参数回归模型和半函数型部分线性回归模型进行估计，并给出估计量的渐近性质，随后通过模拟去验证估计的效果。　　本研究主要内容包括：⑴关注非参数回归模型，其中MAR的标量响应变量Y由取值于半度量空间H的随机变量X表示。这部分主要工作是在响应变量MAR下，利用非参数核方法估计非参数算子，并证明估计量的一致完全收敛速度。这个一致收敛结果会成为解决函数型数据分析(FDA)中缺失问题的重要工具。⑵半函数型部分线性回归模型，其中MAR的响应变量由多元随机变量的线性和及函数型非参数两部分组成。这部分我们的主要工作是在响应变量MAR下，利用核方法构造半函数型部分线性回归模型中未知参数和未知回归算子的估计，并研究估计量的渐近性质，即参数部分的渐近正态性结果和非参数部分的一致收敛速度;随后用有限样本的模拟去说明估计量的效果;最后，用实际数据（食物脂肪的预测）去说明该方法的实际应用。