在抽样调查的很多实际问题中，得不到足够多的样本，使总体中各个研究域目标参数的直接估计值满足精度要求。解决这个问题的一般方法是小区域估计方法，即利用抽样调查数据、辅助变量、区域（或样本单元）之间的联系建立统计模型，进而得到目标参数稳健的估计量。本文重点研究了EB模型超参数的估计以及有关贫困度量的小区域估计方法，具体在第二、三、四章分别做了以下三个方面的研究工作：　　第二章研究基于logit-normal模型和probit-normal模型的小区域估计方法，介绍了这两个模型的超参数矩方程的一种数值解法，并与Newton-Raphson迭代方法做比较。计算结果表明，对于logit-normal模型和probit-normal模型，当S2/(p?(1 p?))p?的值比较大时，很难找到合适的初值使Newton-Raphson迭代方法收敛，而本文介绍了一种可行的办法．　　第三章介绍了估计FGT贫困度的一种小区域估计方法。通过将直接样本进行最短距离的平移，使新样本算出的贫困率等于对应的小区域估计值，进而由新样本计算出FGT贫困度。模拟案例表明，相对于直接估计，本文介绍的方法能得到相对偏差较小的估计量。　　第四章介绍了若干种小区域估计方法，并对一个实际例子（SAIPE）的贫困率进行估计。通过比较不同估计结果的平均相对偏差，讨论了估计量的稳健性。