近年来，随着科学技术的进步，基因组学，金融学，人类健康，图像数据处理等方面对于数据的要求越来越高，很多学者已经将研究重心转移到高维数据甚至是超高维数据。基于高维数据统计推断的研究在不断发展。统计推断主要解决四个方面的问题，包括随机误差的方差估计，回归系数的假设检验，置信区间的构建以及变量选择，而后三者都需要以精确的随机误差的方差估计为前提。所以研究高维情形下的随机误差的方差估计具有重要意义。　　本文研究的误差的方差估计是建立在一般的可变系数统计模型之上，即假设各系数的变化基于相同的指标变量。变系数模型是非参数统计模型中的重要一类，它体现了在指标变量的影响下模型系数的变化趋势。相比一般的线性模型，变系数模型的模型解释能力和预测能力更胜一筹，所以本文研究的基于高维变系数模型的随机误差的方差估计。　　本文主要做了以下四方面的工作：　　首先，对于高维变系数模型，在假设模型变量稀疏的前提下，本文通过构造B样条基来逼近变量系数，将模型转换为一般的线性模型。其次，基于相关性学习理论，采用非参数独立筛选（Non-parametric Independence Screening,NIS）方法进行特征筛选，即通过各协变量的边际效应进行特征筛选，达到变量选择的目的，并有效提高算法稳定性和统计精度。然后，运用数据分割技术，采用改进的交叉验证（RCV）方法实现模型随机误差的方差估计，理论上证明该方差估计量渐近于正态分布，具有较好的优良性质。最后，对RCV估计、Naive估计以及Oracle估计进行数值模拟。通过对比发现，Naive估计低估了真实方差，RCV估计与Oracle估计比较接近。结果表明：在一定条件下，将RCV估计方法运用到高维变系数模型，不仅避免了“维数祸根”带来的估计阻碍，而且得到的随机误差方差的估计比较稳定，效果较好。