我们考虑参数数量与样本大小不同的情况下的模型选择和估计问题。当维数较高时，理想的方法应该具有oracle属性[J.Amer。统计师。协会。 96（2001）1348–1360]和[安。统计师。 32（2004）928–961]，确保最佳大样本性能。此外，高维性往往会导致共线性问题，这应该用理想方法来处理。许多现有的变量选择方法无法同时实现这两个目标。本文提出了一种自适应弹性网，它结合了二次正则化和自适应加权拉索收缩的优点。在弱正则性条件下，建立了自适应弹性网的预言性。我们通过仿真表明，自适应弹性网比其他类oracle方法更好地处理了共线性问题，从而大大提高了有限样本性能。