参数估计是数理统计中广泛研究的课题。参数估计中最常用的估计是最小二乘估计，自上世纪初Gauss创立最小二乘法以来，最小二乘估计一直被广泛应用。然而，当自变量增多，且变量间存在复共线性问题时，最小二乘估计表现出相当不稳定，为此，统计学家对它做了很多改进工作。近五十年来，统计学家提出了各种改进最小二乘估计(LSE)的方法，比较常见的是有偏估计类，如：主成分估计(PCE)、岭估计(RE)、岭型主成分估计(RPCE)，当变量间存在复共线性问题时，在均方误差的意义下，它们均优于最小二乘估计。本文将研究广义岭型主成分估计(GRPCE)，重点研究GRPCE在平衡损失函数下的优良性。　　本文首先概述了参数估计的基本研究状况。第二章介绍了文中涉及到的基础知识，包括矩阵、线性模型及有偏估计等基本概念。第三章研究了Gauss-Markov模型下的广义岭型主成分估计，给出了广义岭型主成分估计的一些基本性质。第四章讨论了广义岭型主成分估计在平衡损失函数(BLF)下的可容许性。第五章讨论了广义岭型主成分估计在平衡损失函数下的优良性，分别得到了它优于最小二乘估计、主成分估计和岭估计等三个定理，并给出了结论的详细证明过程，最后通过对Webster-Gunst-Mason数据的分析对所得结论进行了验证。