在随机误差项为尖峰或厚尾的分布或者是存在显著的异方差等情况下，普通最小二乘法估计将不再具有优良的性质。然而该类型的数据正是在实际问题中经常遇见的，这就限制了回归方法的应用。由于分位数回归是估计因变量关于自变量的条件分位数的建模方法，所以分位数回归充分考虑了因变量关于自变量整个条件分布的信息。因此，当出现了上面提到的数据时，理论上来说分位数回归可以得到更好的估计结果。本文将利用贝叶斯方法来研究分位数回归问题。　　在实际问题中遇到的数据里面都存在大量的分类变量为自变量。单指标模型通常无法处理这种数据。而部分线性单指标模型虽然可以处理这种类型的数据，但是它假定分类变量与因变量的关系是线性的，并且无法描述连续变量与分类变量之间的交互效应。为了能够处理自变量中同时存在分类变量和连续变量并且能够考虑到连续变量与分类变量之间的交互效应，我们把变指标系数模型应用到分位数回归里面，使得我们的模型可以处理更多类型的数据，增强了模型灵活性。　　在利用贝叶斯方法进行分位数回归的过程中，我们发现若随机误差项服从厚尾或不对称分布，基于Von Mises分布抽取指标向量的Gibbs抽样器收敛速度较慢甚至不收敛。因此我们基于建议分布扩充算法提出了一种新的抽样方法来抽取指标向量，解决了上面的问题。最后我们通过数值模拟验证了我们分析方法的有效性，并应用于分析实际数据。