空间自相关是空间数据最重要的特征之一,与传统回归模型观测值相互独立的假设不符,因此,人们提出了不少改进模型,特征向量空间滤波模型（Eigenvector spatial filtering model,简称ESF模型）就是其中一种新兴的、很有竞争力的空间回归模型。该模型的一个重要工作是参数估计。目前,所用的最主要方法是变量选择算法。然而,这个算法没有考虑ESF参数的先验信息,忽略了ESF参数的不确定性影响,不利于ESF模型的有效应用。本文充分考虑ESF参数的先验信息,提出两种基于贝叶斯推断的ESF模型估计方法,给出相应的模型评估方法,并通过实际数据验证所提模型的可靠性。本文的主要研究内容如下:（1）介绍传统回归模型、空间自相关的概念与度量、传统空间回归模型以及ESF模型;（2）提出基于贝叶斯推断的ESF模型（简称BESF模型）,并对正态响应变量使用Stan概率编程估计ESF模型,对非正态响应变量,先将其近似为正态伪数据,再使用Stan估计;（3）为避免BESF模型在正态近似时可能会导致响应变量的信息损失,构建改进的IMP-BESF模型,将ESF模型估计通过投影矩阵分成ESF参数估计和协变量系数估计两部分,并分别用MCEM算法和最大似然法确定ESF参数的后验众数和协变量系数估计;（4）为全面评估所提BESF模型和IMP-BESF模型的有效性,我们选用拟合残差的方差来评估模型的准确性,用拟合残差的莫兰指数来反映ESF回归对空间自相关的解释作用,用留一法交叉验证来评估模型的稳定性;（5）所提模型的可靠性通过模拟仿真得以验证,模型的优势则以2010年美国德克萨斯州社区调查的实际数据为例,通过与空间自回归模型、空间误差模型以及使用变量选择算法的ESF等模型的比较进行了核实。