线性模型与广义线性模型是两类重要的统计模型，许多生物、医学、经济、管理、地质、气象、农业、工业等领域的现象都可以用线性模型或广义线性模型来近似描述。在线性模型与广义线性模型众多的研究问题当中，参数估计问题一直是研究的重点、难点。本文主要研究线性模型和广义线性模型中系数向量的有偏估计问题。在异方差与自相关线性模型中，推广了一般线性模型中回归系数向量的两参数主成分估计，详细比较了两参数主成分估计，广义最小二乘估计，主成分估计，r-k估计，r-d估计及两参数估计等在均方误差矩阵准则下的优良性。并在均方误差意义下对常见的几类有偏估计的优良性进行了比较分析。此外，针对一个估计优于另一个估计的充要条件是否成立的问题，建立了检验统计量进行假设检验推断。对经典的Gauss-Markov模型，在基于广义马氏损失函数的平均损失准则下，对两参数主成分估计，主成分估计，r-k估计，r-d估计，两参数估计及最小二乘估计的优良性做了详细的比较分析，得到了一个估计优于另一个估计的条件。并结合基于广义马氏损失函数的平均损失准则和均方误差准则，给出了r-k估计和r-d估计中岭参数k和Liu参数d的选择方法，且针对不同情况，给出了将r k估计，r-d估计和主成分估计作为最小二乘估计的最优替代估计的建议。在经典的Gauss-Markov模型中，研究了两线性估计在基于马氏损失函数的Pitman准则下的优良性，并详细的给出了岭估计，Liu估计和最小二乘估计之间的比较结果。在基于广义马氏损失函数的Pitman准则下，给出了r-k估计，r-d估计和主成分估计的比较结果。同时也给出了r-k估计，r-d估计和主成分估计在基于广义马氏损失函数的Pitman准则下相对于最小二乘估计的比较结果。针对广义线性模型中的复共线性问题，提出了一类新的估计，即两参数估计。研究了两参数估计在均方误差准则和均方误差矩阵准则下的一些性质。证明了存在k0及0d1，使得两参数估计β(k, d)的均方误差小于极大似然估计βML的均方误差。给出了两参数估计β(k, d)，岭估计βk及Liu估计βd在均方误差矩阵准则下优于极大似然估计βML的充要条件以及两参数估计β(k, d)在均方误差矩阵准则下优于岭估计βk及Liu估计βd的充分条件。同时探讨了两参数估计β(k, d)中参数k和d的选择问题，并给出了相关算法。