半参数回归模型是二十世纪八十年代发展起来的一种重要的统计模型。由于该模型综合了参数和非参数信息，比一般的参数模型或非参数模型有更强的解释能力。在理论上，处理该种模型可以融合这两类单—性质的模型的处理方法，但并非两类模型的简单叠加。 在许多实际问题中，诸如临床试验和医药追踪试验等，由于各种人为或其它不可知因素，都容易导致大量的缺失数据的产生。近年来，缺失数据问题在实际应用中越来越引起人们的普遍关注。 本文考虑响应变量随机缺失的部分线性模型。在文献中，对缺失数据的处理往往采用简单的成对删除、加权或借补的方法。而对于半参数模型中参数β的处理往往采用最小二乘方法，对于非参数部分g(·)的估计大多采用核估计、样条估计或近邻估计等。本文将经验似然推断方法与缺失数据处理的complete-case方法相结合，基于完全记录单元，针对部分线性模型，给出了参数的经验似然比统计量，并在一定条件下证明了该统计量具有渐近卡方性，这就为进行大样本的假设检验及构造参数的置信域奠定了基础。随后本文还研究了参数的极大经验似然估计的渐近正态性质，并用模拟结果证明，由我们的方法得到的参数的置信域有较大的区间覆盖概率，并有较小的区间长度。 本文的特色主要体现在以下两个方面： (1)本文研究的是响应变量随机缺失的数据，且其满足MAR缺失机制。 (2)本文采用性质较好的经验似然方法来处理半参数回归模型中参数部分的估计问题。