本文利用Copula这一新技术，提出非参数核密度估计-ML方法来求出Copula中的未知参数；再由统计检验得到能较好拟合已知数据的Copula，从而能方便地刻画变量之间的非线性相关结构。主要的工作： 　　1)放宽对资产分布的假设，引进非参数核密度估计-ML方法，估计得到Copula中的未知参数； 2)利用图形法和K-S检验法对已知参数的多个Copula进行检验，寻找出合适的Copula来拟合已知数据。 将此方法应用于中国A股市场，利用综合指数指标，研究了自1997年1月2日至2004年12月31日沪、深股票市场整体相关结构。实证分析结果表明，在得到多个Copula的参数估计值后，通过检验，可以推断GumbelCopula比较适合用来描述沪、深股票市场之间所具有的非线性相关性。仿真分析表明，提出的方法是可行、适用的。