生活中众多学科领域,收集到的数据总是包含特定的空间位置信息,这类具有空间位置属性的数据被称为空间数据.空间数据是揭示空间效应的有力工具.空间效应两个重要来源包括空间依赖性（即空间相关性）和空间异质性（即空间非平稳性）.现有解决空间数据问题的空间变系数模型从空间数据的各向同性入手,对空间地理位置坐标选取一个窗宽h,对两个维度的数据赋予相同的权重.而空间数据通常在地理位置上呈现出各向异性,分布方向有差异且分布不均匀.基于此种考虑本文在空间变系数模型权重矩阵的核函数中引入窗宽矩阵,窗宽矩阵不仅从地理位置（u,v）的两个维度分别考虑问题,而且引入了核光滑的方向,能更好的反映空间异质性.首先,文中介绍了空间变系数模型的局部线性GWR（Geographically weighted regression）方法,将二维无约束窗宽矩阵引入空间变系数模型权重矩阵的核函数中,利用二维Gauss核函数,推导出二维核函数下的权重矩阵表达式,进行参数估计.通过模拟实验,将该方法下得到的参数估计值与普通一维窗宽下得到的参数估计值进行比较,两者得到的系数函数曲面与真实曲面十分接近,两者的残差对比图表明一维窗宽下得到估计值的残差比较集中,而窗宽矩阵下得到估计值的残差在某些点处会出现异常值,表格数据表明从总体看对（u,v）选取二维的窗宽矩阵比选取一个窗宽得到的估计值更准确,即考虑数据在空间位置上的各向异性是必要的;同时,用Plug-in（插入型）方法选取窗宽矩阵比GCV（Generalized Cross-Validation）方法选取单个窗宽能减少数据遍历次数,在一定程度上提高了运算效率;然后,利用伊犁地区2011年单期植被覆盖指数等相关数据,研究植被覆盖指数与温度和降水量等气候因子的关系,揭示温度与降水量对植被覆盖指数的空间影响.最后,考虑自适应的窗宽矩阵比全局窗宽矩阵有更高的灵活性,针对全局窗宽矩阵得到的参数估计值出现较大残差的问题,将自适应窗宽矩阵引入空间变系数模型的权重矩阵的核函数中,结合二维Gauss核函数,推导出自适应窗宽矩阵下的权重矩阵表达式,进行参数估计.模拟实验表明,自适应窗宽矩阵的引入改善了全局窗宽矩阵得到参数估计出现异常值的情况,并再次利用2011年伊犁地区植被覆盖指数数据进行分析.