在农业、生物医学、经济等诸多领域,我们常常收集到大量的多样化和复杂化的数据集。这些数据集中解释变量存在一定的次序关系,且部分解释变量与响应变量呈现线性关系,部分则与响应变量存在未知的函数关系,半参数回归模型的提出有效地解决了这类问题,该模型的估计仍是当下的研究热点话题。半参数回归的估计主要涉及到模型的参数估计和非参数估计。本文提出了一种新型的半参数回归模型的估计方法---K近邻Fused Lasso估计法。K近邻Fused Lasso估计是一个局部自适应函数估计器,该估计器的构成是在最小化残差平方和的基础上加上参数的L1惩罚项和非参数的基于K近邻图的一阶差分惩罚项。估计中的L1惩罚项在参数选择的同时给出参数的估计,基于K近邻图的一阶差分惩罚项既充分使用了数据集中的有效信息,同时减少了对不必要信息的使用造成的时间浪费,因此估计方法既可以快速处理高维数据的参数部分,也可以快速处理高维数据的非参数部分。本文提出的估计方法是在样本点的K近邻图上应用Fused Lasso,该方法将基于规则网络设计点上的估计扩展到了不规则网络上。估计方法中参数估计部分的求解算法是KKT条件,非参数估计部分则分别使用坐标下降法和参数最大流算法进行求解。可验证该估计具有良好的预测一致性和L1一致性。在数值模拟部分,本文比较了K近邻Fused Lasso估计和传统的机器学习方法,并在小样本数据集上计算多种方法的均方误差、平均绝对值误差和拟合优度,实验结果表明K近邻Fused Lasso估计法具有更小的均方误差和平均绝对值误差,有更高的拟合优度,说明了K近邻Fused Lasso估计法的有效性。在实证分析部分,本文比较了非参数回归下的K近邻Fused Lasso估计法、半参数回归下的K近邻Fused Lasso估计法和半参数回归的广义乘积内核估计法在加州房地产数据集上的表现,实验结果表明K近邻Fused Lasso优于广义乘积内核法和非参数K近邻Fused Lasso,展现了K近邻Fused Lasso推广到半参数回归中的必要性。