参数估计方法发展至今，常规的经典估计方法在很多情形下不能满足估计精度的需求。自T.R.Bayes提出贝叶斯估计方法以来，其良好的估计性质使得该方法受到了广泛的关注，经过200多年的发展，贝叶斯估计方法已经发展成为一门系统的学科。　　本文首先考虑单参数的Burr X分布参数的贝叶斯估计，借助于指数分布族与充分完备统计量的性质获得了参数的一致最小方差无偏估计，同时在损失函数取熵损失，先验分布取共轭的伽马先验分布时，得到了Burr X分布的四种贝叶斯估计，并讨论了经验贝叶斯估计的渐近最优性;另外还利用数值模拟技术对经验贝叶斯估计的渐近最优性进行了模拟，比较了在不同的超先验分布下多层贝叶斯估计和E-Bayes估计的稳健性，结果表明多层贝叶斯估计的稳健性略强于E-Bayes估计，通过对几种估计均方误差的比较发现经验贝叶斯估计的均方误差最小，估计精度最高，其次为一致最小方差无偏估计、多层贝叶斯估计和E-Bayes估计。事实上，在运用贝叶斯估计方法时，先验分布很难确定，为了衡量不同的先验分布对贝叶斯估计的影响，本文又分别考虑了在共轭先验分布族和ε-污染分布族下BurrX分布参数的贝叶斯估计的稳健性。利用数值模拟对稳健性进行了比较分析发现同ε-污染分布族相比，共轭先验分布下的贝叶斯估计具有较强的稳健性，但在两类先验分布下，样本的变化都对稳健性的影响很大。另外本文还讨论了两参数的Burr X分布参数的极大似然估计和贝叶斯估计，由于估计的形式复杂，分别提出了一种迭代算法和两种近似方法(Lindleys近似和MCMC)来求解这两个估计的数值解。通过分别运用一组模拟数据和一组实际数据对估计的偏度和均方误差比较分析发现Lindleys近似的精度最高，其次为贝叶斯估计，极大似然估计。　　全文总结了Burr X分布的研究现状，基于前人的研究成果及贝叶斯估计的相关内容，讨论了几种不同的贝叶斯估计方法，同时将这些方法与经典估计方法进行比较，并运用数值模拟进行分析，结果表明贝叶斯方法具有更高的估计精度。