本项目将对来自于医学等领域的泛函密度数据、纵向计数数据以及混合Poisson和连续型数据的统计问题展开深入研究。密度估计是统计学的核心研究问题。许多统计问题可看作密度估计或者密度比较问题。在一类医学数据中，数据来自于多个(多峰)密度（或者总体），而每个密度又有相应的协变量，这类数据称为泛函密度数据。研究和探索密度和协变量之间的关系是医学数据分析和现代统计学面临的挑战性问题。本项目将回归模型的概念和方法拓广到泛函密度数据，利用再生核Hilbert空间上的光滑样条理论，建立泛函密度数据的密度回归模型、统计推断理论、确定协变量效应以及预测密度的方法。此外，要研究单个多峰密度的估计及其多个众数的估计和检验问题；研究纵向计数数据以及混合Poisson和连续型纵向数据的统计建模和分析方法。将所建立的方法用于医学数据的处理分析上。项目在处理上述三类数据的统计方法和理论上有突破和创新。

本项目针对来自于医学等领域的泛函密度数据、混合Poisson和连续型纵向数据、纵向计数数据、复发事件计数数据中涉及到的一些重要统计问题进行了深入研究和探索，取得了预期的成果。项目组成员在密度函数的半参数惩罚似然估计的渐近性质和计算方法、混合Poisson和连续纵向数据的估计方法和不可忽略的缺失数据的统计推断、纵向计数数据和复发事件数据的估计方程的相合性和渐近正太性以及多元计数数据的边缘均值模型等多个方面取得了研究成果。这些结果不仅有重要的理论意义，而且对于一些实际问题的处理提供了可供借鉴的方法。特别是关于混合Poisson和连续响应的纵向数据的研究成果首次见诸于文献之中。 本项目共完成研究论文23篇，其中共发表17篇研究论文（SCI收录14篇，EI收录2篇，国内核心和其它2篇）。 本项目培养研究生15人，其中已毕业6人，在读博士1人，在读硕士生8人.