Pareto分布和均匀分布由于其应用广泛一直受到研究者的重视，提出了多种参数估计方法，其中常用的有:极大似然估计、无偏估计和贝叶斯估计等等。大样本情况下，这几种方法都能够获得准确的结果。而小样本情况下，我们通常使用贝叶斯估计方法，但贝叶斯估计方法在计算参数估计时，常常存在积分困难的情况，若使用Gibbs抽样方法，运算时计算量巨大，给参数估计带来麻烦。在此基础上，本文提出了一种新的参数估计——二次贝叶斯估计。　　文章中，在定义统计量T的基础上，引入统计量T2，构造出参数的二次贝叶斯估计。二次贝叶斯估计既采纳了先验信息，同时避免了计算繁琐的后验期望。文章首先通过计算获得这两类分布的二次贝叶斯估计的显式解;其次在均方误差准则下，证明了二次贝叶斯估计优于极大似然估计与一致最小方差无偏估计。　　数值模拟比较发现，无论先验的选择和先验分布的参数取值如何变化，二次贝叶斯估计与贝叶斯估计均非常相近。随着样本容量n的增大，二次贝叶斯估计向贝叶斯估计趋近;同时，随着先验信息的集中，二次贝叶斯估计也向贝叶斯估计趋近。综上所述，二次贝叶斯估计对Pareto分布和均匀分布都是有效的。