部分线性模型（PLM）是线性模型的重要推广，对于分析高维数据非常有用。与线性模型相比，PLM具有非参数回归模型所需的灵活性，因为它们同时具有线性和非线性成分。PLM的变量选择在实际应用中起着重要作用，并且已经针对线性分量进行了广泛的研究。然而，对于非线性组件，变量选择仅适用于具有额外结构假设的PLM，如相加PLM和广义相加PLMs。目前，在没有对非线性组件进行结构假设的情况下，对适用于一般PLM的变量选择方法的需求尚未得到满足。在本文中，我们提出了一种新的基于学习梯度的通用PLM变量选择方法，而不需要对非线性分量的结构进行任何假设。该方法利用再生核-滤波空间工具学习梯度，利用群-最小二乘惩罚选择变量。此外，提出了一种块坐标下降算法，并建立了包括选择一致性和估计一致性在内的一些理论性质。通过仿真研究进一步评估了该方法的性能，并使用实际数据进行了说明。