二元逻辑回归模型是广义线性模型中一类重要的统计模型,常用于生物统计、犯罪学和社会学等领域的统计分析,是现代统计学中应用较为广泛的模型之一。在该模型中,对其参数估计问题的研究具有非常重要的意义。其最常见的参数估计方法是极大似然估计。然而,当模型中解释变量存在复共线性时,极大似然估计的渐近均方误差会变大。因此,相关学者提出了一些改进估计量作为极大似然估计的替代估计,如逻辑回归岭估计等。本文主要针对模型中存在的复共线性问题,将刀切法与一些已有估计方法相结合,提出并探讨几类新估计的优良性。首先,介绍了二元逻辑回归模型及其参数估计的国内外研究现状和本文研究的创新点。其次,结合刀切法和（?）zkale提出的一阶近似Liu估计,提出了一类新的估计方法,即一阶近似刀切Liu估计。并研究了在偏差、均方误差矩阵和均方误差意义下新估计的优良性。同时,基于蒙特卡罗模拟和实证分析方法,在偏差和均方误差下对一阶近似刀切Liu估计的优良性进行了探讨。更进一步,将刀切法和（?）zkale提出的一阶近似两参数估计相结合,提出了一阶近似刀切两参数估计,得到新估计偏差值小于一阶近似两参数估计、一阶近似刀切岭估计和一阶近似岭估计偏差值以及新估计在均方误差矩阵和均方误差准则下优于其他估计的充分或者充要条件,并基于蒙特卡罗模拟和实证分析方法探讨了新估计的优良性。再次,根据泰勒级数、微分中值定理与极大似然方法得到与LiuType估计渐近等价的一阶近似Liu-Type估计。然后,结合一阶近似Liu-Type估计和刀切法,提出了一阶近似刀切Liu-Type估计。同时,基于理论研究,蒙特卡罗模拟和实证分析方法,在偏差和均方误差矩阵或者均方误差意义下对一阶近似刀切Liu-Type估计的性能进行了分析。最后,总结了本文的研究成果,并对未来要研究的工作提出了一些思考和建议。