线性模型是数理统计学中的重要模型，许多研究学者对其作了大量研究。它是几类统计模型的总称，在现代统计学中应用非常广泛。在研究线性模型参数估计的过程中，研究者经常会遇到复共线性（或设计阵病态）的问题。针对著名的最小二乘法在处理复共线性问题上的不足，很多的研究者已经提出了很多相应的改善的方法。线性有偏估计和考虑样本信息中关于参数的先验信息通常是研究者们经常使用的两种方法，并且这两种方法的研究一直是统计学中线性回归分析的热点问题。在众多的研究中，线性有偏估计逐渐成为了克服复共线性问题的一种很直接的方法，在有偏估计中，应用较为广泛且影响较大的有：Liu估计，主成分估计，James-Stein压缩估计，岭估计等。在很多统计学的问题中，由于通常都需要在一些约束条件下对线性模型进行回归分析，因此考虑参数的约束条件就具有很好的应用价值和重要的研究意义，这也使得这种方法成为了是解决复共线性的一种非常有效的方法。本文主要考虑线性模型中考虑先验信息的参数估计，以及运用Jacknifed的方法去处理岭估计得到新的估计，并且对新的参数估计作了进一步研究探讨。首先，对于考虑先验信息的线性模型，根据前人的研究思路提出了新的两参数估计，该估计包含了最小二乘估计、Liu估计、岭估计、修正的Liu估计与修正的岭估计。然后，在均方误差矩阵准则下得到了该估计优于其他估计的条件，同时也给出了相应的证明。其次，Singh et al.在1986年使用Jacknife方法提出了一种几乎无偏的岭类估计，在处理的过程中要求对回归参数进行转换。而本文将会证明同样的方法也可以被用来得到没有经过转换的初始参数的Jacknife岭估计。通过使用相同的方法，本文很容易提出了新的第二阶的Jacknife岭估计，同时新的估计可以进一步减小偏差。本文将进一步讨论和研究这些估计的性质，用在Batah et al.(2008)文中使用的对修正的Jacknife岭估计进行讨论的方法，从理论上去证明在均方误差矩阵准则下新估计的优良性，且用实际算例去验证所得出的理论结果。