我们提出了复杂数据的广义加性部分线性模型，它允许我们在存在线性分量的情况下捕获一些协变量的非线性模式。该方法通过引入相关信息，提高了估计效率，提高了相关数据的统计能力。该方法的一个独特特点是在很难指定似然函数的情况下处理模型选择的能力。当协变量的维数发散时，我们导出了线性系数和非参数函数的基于二次推理函数的估计，建立了有限维和高维情形下线性系数估计量的渐近正态性和非参数函数估计量的收敛速度。由于线性协变量和非线性分量的数量都随着样本量的增加而增加，因此所提出的方法和理论发展相当具有挑战性。我们还提出了一种变量选择的双重惩罚过程，该过程可以同时识别非零线性和非参数分量，并且具有渐近预言性质。大量的蒙特卡罗研究表明，即使样本量适中，所提出的方法也能有效地工作。使用该方法对肾癌数据的药代动力学研究进行了说明。