空间变系数回归模型因其在空间数据分析中包含多种优秀的性能而受到广泛关注,其主要特点是可以解决模型中存在的空间非平稳性问题。分位数回归方法,虽对非正态分布数据或响应变量中存在异常值时具有稳健性,但不能处理协变量存在异常值的情形。此外,在高维数据分析中常常存在较多的干扰/无关变量,如何准确找出这些无关或者相关性很低的变量来提高模型的可解释性显得十分有必要。即使有些变量和响应变量是相关的,但是这种相关性很可能并不随着时间或空间位置的变化而变化,如何识别出这些常系数变量以便提高模型的简洁性同样显得很有意义。为此,本文结合加权分位数回归方法和双惩罚压缩估计的思想,考虑了空间变系数回归模型的稳健模型识别问题。新方法能有效地处理非正态误差分布以及模型中自变量或者因变量存在异常值的问题。最终,通过若干蒙特卡洛模拟和一个实例分析验证新方法的稳健性和有效性。