从1972年Nelder和Wedderburn提出广义线性模型开始，很多学者都对其进行了研究.双重广义线性模型是由Pregibon于1984年提出的，是对广义线性模型在方差不等或者散度不等的情况下的扩展，并且他和Nelder在1987年提出利用扩展拟似然的方法来估计参数.扩展拟似然估计方法的应用比极大似然更加广泛，只需要知道均值和方差的关系，就可以进行参数估计．在建模过程中的另一个重要问题为如何从解释变量中挑选出重要的变量，即变量选择问题.已有很多文献从不同的角度研究了线性模型和广义线性模型中的变量选择问题，然而，很多的研究都是针对单一的均值模型进行的研究．对于复杂的模型结构，比如对散度有结构的情况研究的还很少.　　 本文主要利用惩罚扩展拟似然方法研究了双重广义线性模型中均值和分散度量参数联合建模结构下的参数估计和变量选择问题，在一定的正则条件下得到了惩罚扩展拟似然估计的相合性和变量选择的Oracle性质．在计算中，我们利用BIC准则选取调谐参数，用迭代算法进行参数估计．经过模拟计算，我们验证了该方法的合理性和优良性．　　 另外，我们针对条件Edi=φi进行讨论，由于在很多实际模型中，该条件无法满足，我们对惩罚扩展拟似然进行了修正，得到修正的惩罚扩展拟似然满足该条件，并且对Poisson-Gamma模型进行模拟计算．从模拟结果中我们可以看出，修正的惩罚扩展拟似然在参数估计和变量选择都得到了改进.