贝叶斯非参数是统计学中一个新的发展迅速的领域,因其稳健和灵活的统计分析,成为贝叶斯统计中一个不可或缺的组成部分,广泛的应用于生物学、医学、生物统计、机器学习和语言学等领域。在通常的贝叶斯结构中,先验是给定的,当数据和先验不匹配时这可能会带来问题,特别是在更复杂的贝叶斯非参数中的过程先验。经验贝叶斯是基于数据来确定先验的参数,经过半个多世纪的发展被应用于很多的领域。本文在一维、多维和单调缺失的数据结构下,用贝叶斯方法来估计Dirichlet过程和Poisson-Dirichlet过程模型及其混合模型中的先验的参数。主要的内容如下:（1）第二章在观测数据为多组和一维的背景下,Dirichlet过程为先验时,对关于精度参数的估计收敛速度慢的问题,引入了两种校正的估计,给出了与已有的估计分别在偏差和方差的准则下的比较,并证明它们都是强相合的。从停时的角度引入了新的估计,其在样本量足够大时,收敛的速度要更快。最后给出了六种估计在偏差、方差和MSEs下的模拟对比结果。（2）在多组和单调缺失数据结构下,第三章研究了Poisson-Dirichlet过程先验的参数,引入两个引理以解决单调缺失机制带来的问题。用极大似然方法估计了三种情形下的两个参数,并介绍了基分布的两种单调缺失数据的密度估计方法。模拟比较了在偏差、标准差和均方误差准则下的多组和单组数据的估计结果。（3）Poisson-Dirichlet过程应用到混合模型中,混合项的个数随数据的增加而变化。第四章在多组数据下研究了 Poisson-Dirichlet混合模型中的参数估计,因隐变量的不可观测性,我们构造了一种关于参数的“伪估计”,给出了算法和模拟结果,并将该混合模型应用到三个实例。（4）第五章研究了纵向数据中随机效应分布服从于贝叶斯非参数先验过程的统计推断问题。纵向数据中组内数据的相关性用Dirichlet过程或者Poisson-Dirichlet过程来刻画,组与组之间是独立的,但可能会有相同的组,其受到相同的随机效应的影响。依据数据,我们用经验贝叶斯方法对随机效应项做统计推断并给出了固定效应的估计。