随着数据收集和存储技术的进步,现在越来越多的数据具备函数型特征,比如曲线和图片等等,这些从无限维空间中取值的数据被称为函数型数据。函数型数据被广泛应用于医疗,环境,气象等领域。函数型数据分析已经成为数学家和统计学家们的重要研究课题之一,围绕这一领域也出现了很多的理论研究成果和实际应用,很多模型已经被开发出来并且得到了广泛的应用,比如半函数型部分线性模型,并且研究依旧在深入进行中。半函数型部分线性模型是函数型数据分析中的一种重要的统计模型,它挖掘了标量响应变量和函数型解释变量之间的关联,综合了参数模型和非参数模型的信息,具备了更强的模型适应能力和预测能力。利用该模型来处理函数型数据,可以融合这两种模型的优点并获得更好的拟合效果。在实际应用场合中,各种原因导致的数据缺失情况已经非常常见,在数据缺失的情况下对半函数部分线性模型进行研究具有很强的实际意义。本文应用了经验似然方法来解决此问题。经验似然方法经常用在非参数统计推断的问题上,包括构造参数的置信域等等。该方法具备很多传统的统计方法不具有的优良性质,比如,相较于正态估计方法,经验似然方法不需要估计方差,另一方面,经验似然方法没有对置信域的形状施加约束,而是由数据自行决定其形状。统计学家们已经将经验似然方法用到了线性回归模型,广义线性模型等各种模型中,但是该方法在半函数型部分线性模型中并未得到较多发展。如何将经验似然方法应用到半函数型线性模型中,并分别考虑用k近邻（k-Nearest Neighbor,k NN）方法选取模型中核函数的窗宽,以及响应变量随机缺失时的两种具体研究场合是本文的主要研究内容,全文主要分为两个部分:（一）基于经验似然方法的半函数型部分线性模型的估计用kNN方法构造模型中的核函数,之后用经验似然方法进行估计量的构造,理论结果和证明体现了经验似然方法的理论研究意义,模拟部分验证了该方法具有一定的实际应用价值。（二）响应变量随机缺失时的半函数型线性模型的经验似然估计在响应变量随机缺失时,利用经验似然方法构造参数部分和非参数回归算子的估计量并给出渐近性质,之后用模拟研究结果与最小二乘法进行比较,体现了该方法的优势并给出了真实数据分析。