经验贝叶斯最早是由Robbins(1951，1955)年提出的，通俗地讲，经验贝叶斯是利用已有数据来估计未知参数的先验的某些性质的方法。主要包括参数经验贝叶斯（parametric empirical Bayes, PEB）和非参数经验贝叶斯(nonparametric empirical Bayes, NPEB)，前者是假设参数的先验分布属于某一有未知超参数的分布类，后者则典型地只假设是独立同分布的。近年来，关于经验贝叶斯的讨论和研究也引起越来越多的关注，既有在方法论上的研究也有应用领域的讨论。 经验贝叶斯是频率派和贝叶斯派观点的优良结合体，它继承了贝叶斯方法中将参数看成是随机变量，考虑参数先验信息；然后利用频率派的方法来得到参数的先验信息。如非参数经验贝叶斯只是假设参数具有先验，直接写出贝叶斯法则，而参数经验贝叶斯则假设参数的先验属于某一有未知超参数的分布类，估计出超参数的估计值，从而得到参数的先验分布的估计。这样的处理方式使得经验贝叶斯能够得到性质很好的结果。 本文主要工作有以下两个方面：一是利用密度函数核估计的方法构造了在平方损失函数下，线性指数模型的参数的经验贝叶斯估计，证明了该估计的渐进最优性质并获得了其收敛速度；二是在线性模型的参数估计问题中，运用经验Gibbs抽样方法得到多元正态线性模型参数估计的迭代算法，并用具体的算例检验了该算法的有效性。 本文工作的意义在于：一、扩展经验贝叶斯访法的适用范围，得到具有指数分布的函数形式的样本分布也可以运用该方法得到具备渐进收敛性质的估计的结论；二、结合经验贝叶斯思想和Gibbs抽样算法的优势，提出了正态线性模型参数估计的迭代算法。对于线性模型，这是参数估计的一种新的估计方法，同时也是经验贝叶斯方法的一种新的尝试。