Дисертаційну роботу присвячено вивченню асимптотичних властивостей залишкової корелограми як оцінки невідомої коваріаційної функції випадкового стаціонарного гауссівського шуму в нелінійній моделі регресії з неперервних часом. Отримано теорему про ймовірності великих відхилень оцінки найменших квадратів векторного параметра нелінійної функції регресії та теорему про ймовірності великих відхилень у рівномірній метриці корелограми стаціонарного гауссівського шуму. З використанням цих результатів доведено теорему про експоненціальну збіжність до нуля ймовірностей великих відхилень у рівномірний метриці нормованої різниці залишкової корелограми та коваріаційної функції випадкового шуму. Як прості наслідки вказаного факту отримано посилені властивості слабкої консистентності залишкової корелограми. Доведено функціональну центральну граничну теорему в просторі неперервних функцій для нормованої залишкової корелограми в нелінійній моделі регресії, яку ми розглядаємо. Знайдено стохастичне асимптотичне розвинення нормованої залишкової корелограми і записано в явному вигляді перші три члени розвинення. Спираючись на це стохастичне асимптотичне розвинення у випадку, коли в функції регресії існують та неперервні всі частинні похідні за параметрами до порядків 4, 3 та 2 включно, отримано асимптотичні розвинення зсуву, середнього квадрата відхилення та дисперсії залишкової корелограми.^UThe thesis is devoted to the study of asymptotic properties of residual correlogram as an estimator of random stationary Gaussian noise covariance function in continuous time nonlinear regression model. A theorem on the probabilities of large deviations for the least squares estimator of the vector parameter of nonlinear regression function and theorem on the probabilities of large deviations in uniform metric of the correlogram of stationary Gaussian noise are obtained. Using these results a theorem was proved on exponential convergence to zero of the probabilities of large deviations in uniform metric of the normed difference of residual correlogram and random noise covariance function. As simple corollaries of this fact, the enhanced properties of the residual correlogram weak consistency are obtained. A functional central limit theorem is proved in the space of continuous functions for the normed residual correlogram in nonlinear regression model in consideration. The result obtained shows that the limiting almost surely continuous Gaussian process coincides with the limiting process in the central limit theorem for standard correlogram of random noise in our regression model. A stochastic asymptotic expansion of the normed residual correlogram is received and the first three terms of the expansion are written in explicit form. Based on this stochastic asymptotic expansion, in the case when all partialderivatives by parameters of the regression function exist and are continuous up to the orders 4, 3, and 2 inclusive, asymptotic expansions of bias, mean square deviation, and variance of the residual correlogram are obtained.