在项目反应理论（IRT）中，参数估计对于建设题库﹑考察被试﹑考察考试质量起着重要的作用。随着IRT的不断发展，产生了多种不同的参数估计方法。但随着模型的越来越复杂，已有的参数估计方法难以应付模型复杂所带来的繁杂计算量。上世纪九十年代美国统计学家Albert将马尔科夫链蒙特卡洛（MCMC）方法引入到IRT中的参数估计，近年来一些学者将其运用到各种模型中，取得了较好的估计结果。MCMC方法对于参数的初始值未作特别的要求，而传统的参数估计方法则要求较准确的参数初始值。然而，当参数初始值与真实值相差很大时，MCMC方法在估计过程中需要较长的链长去迭代，这个过程耗费了大量的时间。本文通过将传统的参数估计方法中的初始值估计方法引入到MCMC参数估计中，在估计得到较准确的初始值后，将其作为马尔科夫链的初始值进行反复迭代。通过这种方法，使得马尔科夫链能够快速达到平稳分布，减少了抽样取舍的时间。本文考察了2PLM和GRM两种模型，通过大量Monte Carlo模拟研究发现：对于2PLM，当样本量或项目量较大时，当链长较短时，初始值作用明显，比较准确的初始值估计精度更高。对于GRM，估计结果与2PLM类似，但效果更加明显。