本文针对函数型数据,基于希尔伯特再生核空间的代表定理构建非参数模型,提出两种新的函数型孪生支持向量回归方法对非参数模型进行求解。这两种方法将改进的孪生支持向量回归和分位数方法结合,应用于函数型数据,得到函数型ε-孪生支持向量分位数回归（ε-Twin Support Vector Quantile Regression,ε-TSVQR）和函数υ-孪生支持向量分位数回归方法（υ-Twin Support Vector Quantile Regression,υ-TSVQR）。文章首先对这两种方法进行了算法及大样本性质推导,在参数估计过程中,采用重加权最小二乘迭代（Iterative Reweighted Least Squares,IRLS）。本文对非平行的超平面进行拟合,且υ-TSVQR在ε-TSVQR的基础上,增加了误差项ε的正则项,以达到误差项自调节的目的。因此与经典的支持向量分位数回归（Support Vector Quantile Regression,SVQR）方法相比,本文方法具有很高的适应性、稳健性和灵活性,有一定的理论和实际意义。为了检验方法效果,在数值模拟中以MSE、MAE和CR3的均值作为评价指标,将函数型ε-TSVQR、函数型υ-TSVQR与函数型SVQR进行比较。结果显示SVQR、ε-TSVQR和υ-TSVQR的拟合精度逐个递增,该情况与本文论点相符。同时进行多次对比实验后可见,ε-TSVQR和υ-TSVQR在不同的核函数下均有较好表现,且预测精度受到分位数τ和维度p的影响不大。在实证中对气象数据进行研究,结果进一步说明了本文方法的有效性及稳健性。本文的文章结构如下:第一章,说明本文的研究背景和意义。通过查阅国内外相关文献,对孪生支持向量回归、函数型非参数模型、函数型支持向量回归、支持向量分位数回归的发展做系统介绍。最后说明本文的主要研究内容和工作安排。第二章,介绍论文中提到的经典模型和概念,包括支持向量回归、孪生支持向量回归、ε-孪生支持向量回归（ε-Twin Support Vector Regression,ε-TSVR）和υ-孪生支持向量回归（υ-Twin Support Vector Regression,υ-TSVR）的相关知识。第三章,基于希尔伯特空间的代表定理构建非参数模型,基于该非参数模型详细介绍函数型ε-TSVQR和函数型υ-TSVQR的数学表示、算法估计及大样本性质推导。首先对函数型ε-TSVQR进行阐述,本文将基于普通数据的ε-TSVR与分位数结合提出可应用于函数型数据的函数型ε-TSVQR方法。ε-TSVQR还需人为考虑ε值,为解决此问题,本文进一步提出函数型υ-TSVQR方法,在函数型ε-TSVQR的基础上增加一个ε的正则项,达到误差项自调节的效果。在参数估计中,采用IRLS改进算法。第四章,利用模拟实验和实证验证方法效果,将函数型ε-TSVQR、函数型υ-TSVQR和函数型SVQR进行比较。第五章,总结本文研究成果与不足,提出展望。