一直以来，参数估计是线性模型中一个非常重要的研究内容。最常用的参数估计方法就是最小二乘估计法。然而，当多重共线性被发现广泛存在时，最小二乘估计法不再具有优势。针对最小二乘法在处理多重共线性时的不足，很多学者提出了各种各样的有偏估计。其中，最主要的包括岭估计、主成分估计、Liu估计以及两参数估计。同时，也有学者考虑对线性模型的参数增加约束条件同样可以处理多重共线性问题，比如约束最小二乘估计和混合估计。论文在前人的研究基础上，将带先验信息的约束条件和有偏估计方法相结合，对参数估计做了进一步的讨论和研究，来进一步解决多重共线性问题并提高模型参数的估计效果。论文主要工作如下：
　　1.对带随机约束的线性模型，论文首先对混合估计形式进行变形，再结合Liu型估计，提出了一种改进的随机约束Liu型估计，并证明了改进估计的优良性，通过实际数据和蒙特卡洛模拟验证了改进估计具有更好的估计效果。然后对另一种新的Liu型估计,结合混合估计提出了一种新的随机约束Liu型估计，并在约束条件是否为真时，证明了其优于新Liu型估计和混合估计的充要条件，最后通过实例分析验证了新提出估计具有更好的参数估计效果。
　　2.在两参数估计的基础上，论文结合混合估计提出了一种新的随机约束两参数估计。在均方误差矩阵准则下，证明了新随机约束两参数估计优于混合估计、两参数估计、随机约束岭估计和随机约束Liu估计的充要条件，并通过实际数据和蒙特卡洛模拟验证了新提出估计具有更好的参数估计效果。
　　3.基于加权混合估计与两参数估计在处理多重共线性问题的有效性，论文结合两种参数估计方法，提出了一种新的加权混合两参数估计，并在均方误差矩阵准则下，证明了加权混合两参数估计优于加权混合估计和两参数估计的充要条件。最后通过数值模拟验证了新提出估计具有更好估计效果。