变量选择是高维数据分析的一个重要研究问题,而对似然函数加一个惩罚项是近些年使用最为广泛的变量选择方法。惩罚似然方法的提出始自上世纪六七十年代,但直到上世纪九十年代,统计学家才开始系统地研究惩罚似然方法的理论性质,其中研究较多的是线性模型和广义线性模型。针对具有重要实际应用背景的生存分析模型鲜有突破性的理论性质,其中的困难主要来源于生存分析数据的删失特征。本论文的一部分内容是针对生存分析模型研究惩罚似然方法的理论性质,主要研究了生存分析中最重要的Cox模型下惩罚似然估计量的oracle性质。我们在计数过程框架下研究高维、非齐次变量的Cox模型,在证明定理时,所加的正则条件仅加在真实的回归参数上,从而使得条件更自然,这有别于文献中其他方法所加条件。在实际应用中,人们更感兴趣的是如何快速有效地获得合适的参数估计。近十几年来人们提出了各种算法,大部分可以归结为路径算法。似然惩罚估计量的求解是一个最优化问题,对于凸惩罚其算法相对简单,而对于非凸惩罚的算法往往复杂多了。我们在第三章中提出了一种新的路径算法,该方法与文献中已有方法的优点是,可以更容易找到全局最优解。可以针对凸惩罚和非凸惩罚都得到有效的路径解。通过数值计算比较发现新提出的算法在计算效率上与现有方法有较大的优势。路径算法提供了一系列的解,必须从中选择最优的解,而针对低维数据的传统方法不适用于高维数据。大多数针对高维数据的前人工作是基于修正信息类准则,本文的第四章和第五章对交叉验证方法(一类数据驱动的方法)进行修正以分别应用于线性模型和广义线性模型,并证明了所得方法具有相合性,大量的模拟研究及实际数据分析结果证实了所提方法的有效性。