随机波动率模型在金融领域有着广泛的应用，这就使得模型的参数估计成为一个非常重要的问题。目前一个普遍使用的方法就是贝叶斯估计和马尔科夫链蒙特卡洛方法(MCMC)的结合，该方法具有强大的威力以致可以解决几乎所有的随机波动率模型的参数估计问题，并且这些问题用其它方法往往难以入手。另外，对于随机波动率模型的参数估计，如矩估计、极大似然估计等其它方法也被人们所使用。本文第二章针对Heston模型采用了上述贝叶斯和MCMC结合方法进行参数估计，得到较为精确的结果。这些结果表明，上述方法对于该模型的参数估计是有效的。另外，作者通过独立的推导得到了Heston模型中参数的一个有解析形式的极大似然估计。该估计不仅具有更简洁的形式及省去了大量的模拟计算，而且其结果在绝大多数情况下的精确度和稳定性甚至优于贝叶斯方法。与此同时，我们在文中分析猜测了以上两种方法对部分参数估计不够稳定的可能原因，那就是股票价格观测数没有达到一个很大的数量，而这个数量在现实世界中几乎是不可能满足的。作者认为，这个猜想得到了另一些模拟结果的支持。所有以上的估计都是在假设波动率为已知数据的前提下进行的。第三章主要考虑了波动率不可观测前提下参数的估计方法，事实上这更贴近于实际情况。此时，人们一般会使用相关期权的隐含波动率作为真是波动率的替代。这里，我们通过增加标的资产价格在每日间的观测频率并以此估计出当天的波动率，这个估计值就是所谓的历史波动率。接下来，再利用前一章的方法进行参数估计。事实证明，我们的方法对于各个参数的估计是基本有效的，虽然估计的精度略有下降。最后，虽然目前贝叶斯方法仍然是人们研究使用的重点，我们也承认其在此类问题中的重要作用，但是在我们的结果里极大似然方法却获得了更好的效果。有鉴于此，作者认为对于一般的随机波动率模型参数估计中的极大似然方法的实现及其表现优劣的问题也应该得到人们的重视。