在本文中，我们首先介绍了系数误差有界的参数估计问题：设A∈Rm×n，b∈Rm，其中m≥n，并给定两非负实数(η，ηb)，求解极小极大问题min(^x)max{‖(A+δA)(^x)-(b+δb)‖2：‖δA‖2≤η，‖δb‖2≤ηb}.文献[7]用矩阵A的SVD分解研究了该问题。记A=U[∑0]VT，其中U=[U1，U2]∈Rm×m，V∈Rn×n是正交阵，U1∈Rm×n，U2∈Rm×(m-n).一般情况下，原问题的解可以表达为x=V(∑2+αI)-I∑T1b，其中α是如下所示特征方程的根Ф(α)=bT1(∑2-η2I)(∑2+αI)-2b1-η2/α2‖b2‖22，b1=UT1b，b2=UT2b.在此基础上，我们提出了两个问题：Update/Downdate系数误差有界的参数估计问题。 记~A=~U~∑~VT是A矩阵UPDATE或DOWNDATE后的SVD分解，我们采用文献[5]中介绍的解秩1校正的对称特征问题的算法来获得新矩阵~A的SVD分解。仔细地研究原始问题解的表达式可以发现，我们实际上只需要~b1，‖~b2‖，~∑，~a，~V来获得新问题的解。在SVD的UPDATE/DOWNDATE算法中，有~V=VG，其中矩阵G可以从算法中方便地得到。这样，新的解~x=VG(~∑2+~αI)-1~∑~b1，可以在表达式中从右向左相乘得到。这样就显著地减少了算法的计算工作量，特别是在A∈Rm×n(m》n)的情况下。 数值试验也证实了上面所说的结论。当把通过文中算法得到的解和通过直接SVD分解方法得到的解进行比较时，可以发现两者之间误差是相当小的。这从一个侧面证实了文中算法的有效性。最后，从有界参数估计问题和TIKHONOV正则化过程的联系中，可以看出文中算法的思想也可以用于修正正则化问题。