线性模型以及广义线性模型一直都是统计学者研究的重中之重，因为模型的使用范围遍及生物医药、农业生产、经济活动、气象预测以及工业制造领域。在对线性模型以及广义线性模型的研究中，参数估计问题又作为其中的难点以及关键，因此本文主要围绕线性模型以及广义线性模型中参数估计的问题进行了研究以及讨论。
　　在线性模型中，当数据存在多重共线性以及异常值的问题时，因为此时传统的无偏估计会导致估计结果的不稳定性。因此结合随机约束双参数岭估计(SRTPR)以及双参数稳健岭估计(TPRM)各自具有的优势，提出了基于M估计的随机约束双参数稳健岭估计(SRTMR)，计算出新估计量的均方误差（MSE）以及均方误差矩阵（MSEM），还对估计参数的选取进行了讨论，得到了最优参数的表达式，不仅在理论层面上给出了新估计优于其他估计的充要条件，还通过蒙特卡洛模拟，以均方误差估计(MSE)为准则，发现在异常值以及多重共线性等问题同时存在时，新估计量的MSE在大多数情况下都小于其他估计的MSE。
　　在广义线性模型中，总结了Kibria(2011)等人提出的估计岭参数k的不同方法，并且提出了新的岭参数的估计方法，将其用于logistic岭回归（LRR）。通过蒙特卡洛模拟，使用均方误差（MSE）作为评估标准。还计算了多次模拟之后岭参数k的平均值以及标准差，来选择合理的k的估计量。模拟发现，如果k的几个估计量都具有比较小的MSE，那么选择标准差作为评估准则是有效的，即应该选择最稳定的估计量（具有最小的标准差），因此通过比较发现新提出的岭参数在大多数情况下都具有更好的表现。还针对Logistic模型中解释变量之间存在的多重共线性，提出了带约束的双参数估计量(RTP)，计算了新估计量的均方误差(MSE)以及均方误差矩阵(MSEM)，并且将新估计量与约束极大似然估计量(RML)，约束岭估计(RRE)以及约束Liu估计(RLE)进行比较，通过蒙特卡洛模拟，发现新估计量的MSE在大多数情况下优于其他估计量，并且我们给出了新估计量的参数的选取方法。