本书主要包括以下研究内容：(1)高维中的变量选择问题，解决了传统的SIS方法在排序中未能消除错误变量的问题，提出一种基于样本分割类似树状结构的特征筛选方法，证明了该方法具有确切筛选属性。(2)回归中的充分降维问题，解决多元自适应回归样条方法，在存在高阶边际样条交互时回归估计效率低的问题。(3)机器学习中倾斜决策树(ObliqueDecisionTree，ODT)和基于ODT的随机森林(ODRF)的分类与回归问题。在理论上证明了ODT对于一般的回归函数满足相合性，以及ODRF在完全和不完全生长下的相合性。在计算方面，开发了一个集成、高效的R统计软件包“ODRF”。(4)研究了高维统计检验中的多个检验统计量信息的融合问题，解决现有方法的计算成本高、理论性不足的问题，提出了利用自助或置换等重抽样方法结合多个统计量的融合检验方法，并证明了该方法的相合性。