高维数据模型选择在统计学中占有非常重要的地位，但传统的逐步回归法存在一些不足。Tibshirani，R.(1996)针对这一问题提出了LASSO方法，该方法很好的克服了传统方法的一些不足．但LASSO方法在高维数据模型选择问题上也存在一些不足，因此很多学者提出了改进，如：BICC和BICP方法(黄达，王汉生，2009)，支持向量机(SVM)方法。　　 本文讨论了两种高维数据模型选择的方法，第一种，候选变量p远大于样本量n并且真实变量d小于样本量n的情况，文中简称为高维数据模型Ⅰ；第二种，候选变量p远大于样本量n并且真实变量d大于样本量n的情况，文中简称为高维数据模型Ⅱ。　　 本文将在前人的基础上，对于高维数据模型p》n的情况下进行模型选择。首先给出了高维数据模型的概念及其分类；其次给出了一些高维数据模型选择的方法和算法；接着具体针对高维数据模型Ⅰ的两种情况线性模型和非线性模型，用不同的方法进行数值模拟和效果比较；然后着重研究了高维数据模型Ⅱ，通过数值模拟，展示了LASSO方法，BICP方法与BICC方法的效果比较。结果显示，逐步回归与BICC的结合效果最佳，优于LASSO与BICP。最后给出了进一步需要解决的问题。