论文主要研究了线性回归模型中参数的岭型主相关估计和在约束条件下的岭型主相关估计及其相应的优良性质。自最小二乘法提出以来，线性模型中的参数估计理论一直是统计研究的热点之一。尽管Markov证明了最小二乘估计在线性无偏估计类中方差最小性质，但统计学家认识到最小二乘估计在处理复共线性方面的不足，相继提出许多有偏估计，岭估计和主成分估计就是目前应用较为广泛的两种有偏估计。这些有偏估计在二次损失函数意义下均优于最小二乘估计。论文主要研究以下几方面的内容。从岭估计和主成分估计出发，引出岭型主相关估计，证明该估计为最小二乘估计的线性变换及其压缩有偏性，并证明了在均方误差矩阵意义下估计的优良性。讨论了该估计在二次损失函数下的可容许性，确立了岭参数的取值，并通过实例验证估计的有效性。考察线性约束条件下线性模型的参数估计问题，由约束岭估计引出约束岭型主相关估计。证明了在线性约束条件下，约束岭型主相关估计的广义均方误差小于约束最小二乘估计的广义均方误差。将岭型主相关估计推广为广义岭型主相关估计，证明了该估计在二次损失函数下的可容许性，并进一步讨论了约束条件下的广义岭型主相关估计。最后，将线性模型的假设检验问题，归结为线性约束条件下的参数估计，并得到岭型主相关估计的F-检验统计量。