在当今大数据时代，流数据统计建模作为一种核心技术，正在重塑数据分析与决策支持的范式。随着物联网、5G通信技术和云计算的快速发展，数据生成与传输的速度呈现指数级增长，传统离线分析方法已无法满足实时性需求。流数据统计建模技术应运而生，能够对持续产生的数据进行实时分析与建模，为各领域的智能化应用提供了重要的技术支撑。流数据是指连续生成并以实时顺序形式到达的数据集，如社交媒体数据、金融市场交易数据、传感器数据等。其特点是无限长、生成速率快、数据量大，需要实时处理和分析。本研究在吸收现有相关理论和研究成果基础上，立足于流数据统计建模的前沿，从流数据的复杂性和实时性特征出发，结合变量选择、稳健统计建模和分位数回归等方法，提出了一系列创新的在线更新模型和算法，为流数据环境下的实时分析和决策提供了理论和方法支持。（1）针对流数据变量选择问题，本研究提出了基于平方根Lasso的在线变量选择方法，通过动态更新损失函数和滚动交叉验证策略，解决了新数据到达时如何为线性模型动态选择变量的问题，并证明了在线估计量与全数据离线方法得到的Oracle估计量具有相同的收敛速度。（2）紧接着，考虑到大多数模型都面临着高维协变量的流数据建模挑战，本研究提出了更一般的广义线性模型的在线更新变量选择框架，结合可更新的优化目标函数和增量更新算法，实现了参数估计和变量选择的一致性，同时通过在线BIC准则动态选择惩罚参数，确保了方法的适用性和高效性。（3）在分位数回归领域，本研究提出了平滑分位数回归（SQR）的在线更新方法，通过显式解和动态带宽选择机制，简化了计算过程并提高了推断精度，同时开发了在线筛选方法，用于实时检测和处理异常数据批次，增强了模型的稳健性和可靠性。（4）为进一步提升流数据统计建模的稳健性和效率，本研究提出了复合分位数回归（CQR）的在线更新方法，通过结合多个分位数的信息，降低了估计的方差并提供了对响应变量条件分布更全面的理解，同时证明了在线估计器与Oracle估计器具有相同的渐近分布，且不受批次数量限制。本研究通过系统性研究，为流数据统计建模的理论和实践提供了重要参考，推动了实时数据分析与决策支持技术的发展，为应对复杂多变的流数据环境提供了有力的方法论支持。盖玉洁教授有较强的研究实力，现为中央财经大学统计与数学学院数理统计系主任，博士生导师。在国内外重要学术期刊发表了海量数据的统计推断和统计建模、高维统计模型、复杂数据模型、测量误差数据、稳健统计、复杂网络统计分析和相关应用领域论文30多篇。另外，申请人主持过1项国家自然科学基金面上项目、1项国家自然科学基金青年基金项目、参与过多项国家自然科学基金面上项目和青年项目，收集了充足的研究资料，与国内外从事相关研究人员保持较密切的联系交流和合作研究。