倒向随机微分方程的研究已经有了近半个世纪的历史,早在1978年Bismut就提出了倒向随机微分方程的线性情况,而在1990年Peng和Pardoux解决了一类非线性倒向随机微分方程解的存在唯一性,自此,倒向随机微分方程得到了迅猛的发展,不管是在它自身的发展方面还是它在其它众多相关领域如随机控制,金融数学,随机对策论等的应用方面,特别是在经济领域方面,倒向随机微分方程已经成为一个强有力的工具。　　对于正向的随机微分方程,关于其模型的估计已经有了一套很完整的理论方法,主要分为参数方法和非参数方法。然而,关于倒向随机微分方程模型的估计,并没有系统的理论,目前这方面的具体研究很少,倒向随机微分方程相对于正向的随机微分方程有其自身的特点,它们之间存在着很大的差异,倒向随机微分方程模型的估计是需要单独讨论的领域,一个倒向随机微分方程主要由其生成元决定,估计一个倒向随机微分方程模型也就是估计这个方程中的生成元。　　本文主要讨论了倒向随机微分方程中生成元g的估计方法,我们考虑一类特殊的倒向随机微分方程——正倒向随机微分方程：　　-dYt=g(Xt,YT,Zt,t)dt-ZtdBt,　　YT=φ(XT),其中Xt满足如下随机微分方程　　dXst,x=μ(s,Xs)ds+σ(s,Xs)dBs,　　Xtt,x=x.我们采用与经典的随机微分方程模型的估计相类似的方法来估计倒向随机微分方程模型。首先利用广义Feynman-Kac公式等正倒向随机微分方程的性质推导出g和Z的近似：　　9(Xt,Yt,Zt,t)=△-1E[(-Yt+△+Yt)|Xt】+O(△),及　　ZT2=△-1E[(Yt+△-Yt)2|Xt]+O(△).在此基础上,我们给出了基于时间t的g和Z的非参数估计,并给出了其近似性质；然而,实际上g和Z不仅依赖于时间也依赖于正倒向随机微分方程中的正向随机微