测量误差模型起源较早,在生活中应用比较广泛,比如在生物学、经济学和工程学等众多领域中。这主要是因为当人们对变量进行观测时,常常会出现各种偏差,此时忽略偏差再用常规的估计方法做估计,会造成模型中参数估计的有偏性和不一致性。又由于线性回归模型的局限性,在很多实际问题中,非线性回归模型更加适用,因此本文在非线性回归模型中加入测量误差,研究其估计方法。首先,本文介绍了带测量误差的经典线性回归模型的一些常用估计方法。然后在这些估计方法的基础上进行扩展,重点研究带测量误差的非线性回归模型的估计方法。对于二次广义线性模型,即一种特殊的非线性回归模型,本文给出带测量误差的二次广义线性模型的参数估计量及其渐近性质,并对推广的校正得分法进行改进,相较于常规的校正得分法、加权校正得分法以及推广的校正得分法,此方法消除了它们的一些限制。对于带测量误差的一般的非线性回归模型,本文给出两种估计方法,第一种方法是先使用机器学习里的核函数理论,把非线性回归模型转换为线性回归模型,再用最小二乘法做回归,中间通过应用因子得分法修正由测量误差带来的影响;第二种方法与第一种方法思路相似,结合了支持向量回归和因子得分法,但相比第一种方法其解具有稀疏性。后两种方法形式相统一,对模型的形式以及测量误差分布的要求都较低。接着用R软件进行数值模拟,和忽略测量误差的常规估计方法比较,可以取得较好的模拟效果。最后进行实例分析,分析某联合循环电站的运行数据,以预测电站的净电能输出,并和忽略测量误差的常规估计方法作比较。