广义线性模型(GLMs)，可用于对多种类型的数据进行建模，是应用非常广泛的模型。线性回归模型、方差分析模型、用于列联表分析的对数线性模型和逻辑斯谛模型等都是广义线性模型的特例。通常，我们用极大似然的方法估计广义线性模型中的参数。但是，在文献中，对参数β的极大似然估计的非稳健性已经有了广泛的研究。广义线性模型的拟似然估计也显示了非稳健性。在统计中，有时需要考虑统计方法的稳健性，即当实际模型中的分布与假定模型中的分布有较少差异时，统计方法的性能不会受到较大的影响。我们知道最小一乘估计具有很好的稳健性，该方法在经济计量学和生物医学的研究中有很多的应用。在本论文中，我们首先提出使用广义最小一乘估计来估计广义线性模型。由于准则函数的不可导性和均值函数的非线性性，导致研究估计的分布理论是很复杂的。因此，基于将目标函数泰勒展开的渐近正态性的证明的标准方法是不可能直接使用的。在一定条件下，我们运用经验过程的方法和随机等度连续性的结果。证明了该估计的相合性和渐近正态性。其次，通过对准则函数的分析，我们提出使用两种加权的广义最小一乘估计来估计广义线性模型。使用类似的手法，我们证明了该估计的相合性和渐近正态性。最后，对广义线性模型的几个特例进行数值模拟。 本文主要内容可概括如下：第一部分：广义最小一乘估计；第二部分：加权广义最小一乘估计；第三部分：数值模拟。