Log-logistic分布因其具有一些很好的统计性质在实际的应用中越来越得到重视,也逐渐得到了更多学者的关注。参数估计作为统计研究中一个非常重要的内容,也是本文的研究重点,但是在现实生活中,对于Log-logistic分布的参数估计仍然存在一些问题,这些问题亟待解决,于是本文主要对Log-logistic分布的参数估计进行研究。本文主要对Log-logistic分布的形状参数和尺度参数的点估计和区间估计进行研究。在对Log-logistic分布进行参数估计时,使用传统的极大似然估计（MLE）方法来估计参数的时候需要求解联立方程组,即无显式的形式,并且该估计方法在小样本情况下是有偏且无解析解的,因此使用传统的参数估计方法对Log-logistic分布进行参数估计的效果并不是很好。于是我们需要在小样本情况下找到更为准确且具有显式数学表达式的估计量。本文主要提出平滑自适应（SA）、Bootstrap偏差修正的SA（C-SA）估计方法、Bootstrap偏差修正的渐近极大似然（C-AMLE）估计方法和函数拟合修正的SA估计方法（F-SA）以及函数拟合修正的AMLE（F-AMLE）估计方法来解决这些问题,并将这些方法的结果和传统的极大似然估计（MLE）方法和渐近极大似然估计（AMLE）方法进行比较,我们主要通过这些参数估计方法并借助蒙特卡洛模拟对Loglogistic分布的点估计和区间估计结果进行评估。根据模拟结果显示本文提出的5种参数估计方法相比于传统的极大似然估计和渐近极大似然估计可以得到更为精确的估计结果,且不需要求解联立方程组,即本文提出的参数估计方法比其他方法会更有竞争力和说服力。点估计主要通过偏差和均方误差的估计量来衡量参数的点估计效果,于是通过蒙特卡洛模拟给出了不同参数和不同样本容量情况下的偏差和均方误差估计值,通过模拟结果我们发现C-SA以及C-AMLE方法在小样本中表现很好,F-SA以及FAMLE方法在大样本情况下表现很好。另外,由于我们研究的Log-logistic分布并不是对称分布,于是本文基于分位数Bootstrap方法（PB）和偏差修正的分位数Bootstrap方法（BCPB）对本文提到的所有参数估计方法构建对应的置信区间,在得到置信区间后利用Bootstrap方法进行覆盖率的估计,将估计出来的覆盖率和我们设定的置信水平进行比较,通过其接近程度来衡量估计方法的准确性及其效果。我们从模拟结果中发现Bootstrap偏差修正的估计方法使用BCPB估计得到的覆盖率和我们设定的置信水平更加接近,也就是说在一定的概率保证程度下,用BCPB的区间估计方法和估计我们提出的参数估计方法所得到的区间估计结果更加准确,而函数拟合分布修正的估计方法使用PB估计得到的覆盖率和我们设定的置信水平更加接近。最后,用一个实例数据集来拟合我们研究的Log-logistic分布,并利用本文提出的几种估计方法对该实例的数据进行点估计和区间估计从而完成本文所提出的估计方法的实证分析,并利用Kolmogorov-Smirnov检验来验证这些参数估计方法在实际应用中的效果,这个实例也说明了本文提出的参数估计方法的应用。