Fukuda和Johnson(2010)提出了基于贝叶斯理论的线性-非线性模型反演方法(简称F-J方法),该方法已被广泛应用于地球物理模型线性-非线性参数反演。然而,F-J方法的反演结果受马尔可夫链蒙特卡洛采样(MCMC)经验参数选择的影响,而反复调试合适的经验参数需要大量计算。对线性-非线性模型进行线性化后,也可以利用迭代最小二乘方法反演,但该方法的反演结果依赖于初值的选取情况。本文针对线性-非线性反演问题,介绍了进行线性-非线性反演涉及的贝叶斯理论、全贝叶斯方法、F-J方法、MCMC采样算法以及迭代最小二乘方法。在此基础上,提出了基于F-J线性-非线性模型解的迭代最小二乘方法,接着利用震间形变模型和Mogi模型对模拟算例和实际算例使用所提出的方法进行了研究分析:首先通过采用不同的MCMC采样方法探究采样算法对F-J方法反演结果的影响,然后分别采用F-J方法、随机生成初始值的迭代最小二乘方法以及以F-J方法的结果为初值的迭代最小二乘方法进行反演,结果表明:(1)MCMC采样经验参数会影响反演结果;(2)基于Gibbs采样的算法和基于模拟退火采样的算法与Metropolis算法相比具有一定的优势;(3)直接进行迭代最小二乘反演时初始值选取不当会导致迭代无法收敛到正确的结果;(4)以F-J方法的结果作为迭代最小二乘方法的初始值,可以充分发挥F-J方法的全局最优性和迭代最小二乘方法计算量小、稳定性好的优势。