模型平均方法旨在对各候选模型进行加权平均，以降低估计与预测的风险.学者们已在简单独立数据以及线性模型下对模型平均方法进行了大量研究.本文重点研究非线性复杂数据下的模型平均方法，主要结果包括:(1)使用LMA准则为门限模型选择权重，并证明了所得模型平均估计量是渐近最优的，即，它可以渐近地达到最小的平方误差.(2)针对半参数面板数据模型以及部分线性自回归模型，提出使用删组的交叉验证(LsoCV)准则选择权重.这个工作为误差具有组内相关性的模型提供了一种合适的平均方法.同样证明了该方法的渐近最优性.(3)对ARMA模型进行平均，除了使用LsoCV准则，还提出一种新的逐步向前的权重选择准则;这两个准则下估计量的渐近最优性都得到了证明.(4)在两个非嵌套模型下，本文发展了基于Mallows准则以及加罚Mallows准则的权重选择方法，证明了Mallows准则选出的真实模型权重依概率收敛于1，以及加罚Mallows准则选出的真实模型权重等于1的概率趋于1.　　此外，大量的模拟研究表明本文所提出的新方法是有效的.最后，本文应用模型平均方法对香港港和深圳港的集装箱吞吐量进行了实证研究，发现基于LsoCV的模型平均方法表现最优，并用此方法预测了2014年两个港口的吞吐量，指出两个港口都将有不同幅度的增长.