两值响应模型是因变量只取两值的回归模型，常见的logistic模型、probit模型等重要模型是两值响应模型的两种特殊的参数形式.两值响应模型在生物、医学、经济和社会数据的统计分析中有广泛的应用.半参数形式的两值响应模型即联系函数未知的情形，近些年来越来越受到关注，参数估计的统计推断及其大样本性质的研究获得了很大的进展.对于联系函数未知情形的半参数回归问题，一种统计推断方式是基于Manski(1986)的计分函数方法，但由此定义的极大计分估计渐近收敛到一高斯过程极大值随机变量，渐近分布比较复杂因而统计推断不易实现；另外一种方法是基于Horowitz(1992)提出的光滑计分函数方法，极大光滑计分估计具有良好的大样本性质，即具有相合性和渐近正态性，然而统计推断仍然不容易实现，这是因为渐近方差中含有未知的密度函数参数，而这些密度函数参数往往不能被精确的估计. 本文研究如何用随机加权方法逼近极大光滑计分估计的渐近分布，通过对光滑的计分函数进行随机加权来估计渐近方差，从而避免了直接估计渐近方差中的冗余参数.我们在一定条件下证明了该方法的合理性.转变点模型是统计学中一类重要的模型，我们还考虑了两值响应模型的转变点的估计问题，基于极大光滑计分函数方法我们给出了模型有且只有一个转变点时的转变点的一种估计方法，得到了该估计量的强相合性. 全文共分四章.第1章是引言，简要介绍了两值响应模型中回归系数的几种估计方法、渐近理论方面的有关的重要文献，转变点的有关大样本理论以及我们在这方面所取得的主要成果.第2章介绍的是几种常见类型的两值响应模型的统计建模.第3章和第4章详细介绍了我们的有关工作及其证明.第3章用随机加权的方法逼近极大光滑计分估计的渐近分布.第4章基于光滑的计分函数研究了两值响应模型中转变点的估计以及估计量的渐近理论.假设两值响应模型有形式：Y=I(β′X+e≥0)，其中I(A)是事件A的示性函数，Y是因变量，X是p维解释向量，e是不可观测的随机误差，β是p维参向量.这里e的分布假设为是未知的，但med(e|X)=0.我们需要为参数向量β做一个合理的估计并研究它的渐近性质.首先我们需要明确β的可识别性条件.其次我们在对Manski的极大计分估计和Horowitz极大光滑计分估计的研究的基础上对于转变点提出了估计的统计量，并证明了估计量是相合的.