Es bien sabido que el modelo tradicional de regresión funcional se basa principalmente en el método de mínimos cuadrados o de máxima verosimilitud. Estos métodos suelen depender de algunas suposiciones fuertes, como la independencia y normalidad de los errores, que no siempre se cumplen. Por ejemplo, la variable de respuesta puede contener valores atípicos y el término de error puede estar correlacionado en serie. La violación de las suposiciones puede resultar en influencias desfavorables en la estimación del modelo. Por lo tanto, se ha desarrollado un procedimiento de estimación robusto de un modelo lineal semi-funcional con error autorregresivo para resolver este problema. Comparamos la eficiencia de nuestro procedimiento con el método de mínimos cuadrados a través de un estudio de simulación y dos análisis de datos reales. La conclusión ilustra que el método propuesto supera al método de mínimos cuadrados, siempre y cuando los errores aleatorios sigan una distribución de colas pesadas.