从被试的反应数据中获得精细化的诊断信息,为被试提供个性化的指导是认知诊断模型（Cognitive Diagnosis Model,CDM）的主要目的之一。被试的属性掌握模式估计值为被试参数,常用的被试参数估计方法有:极大似然估计（Maximum Likelihood Estimation,MLE）,极大后验估计（Maximum a Posteriori,MAP）和期望后验估计（Expected a Posteriori,EAP）。以往研究在使用MLE、MAP和EAP估计被试参数时,将被试的潜在属性掌握模式假设为均匀分布或指定其分布形态,是先验的、已知的。而实际测验情境中,被试的能力分布多为非均匀分布,且包含了潜在属性掌握模式的结构参数应该从被试的反应数据中估计获得。本研究结合以往研究的发现和不足,重点关注CDM中项目参数和包含潜在属性掌握模式的结构参数从被试的反应数据中估计获得时,被试参数估计方法MLE、MAP和EAP的分类准确性。研究一是在CDM中探究不同属性相关条件下,潜在属性掌握模式分布形态对MLE、MAP和EAP分类准确性的影响。结果表明:（1）当属性之间的相关为0时,MLE在模式正确分类率上有较好的表现。（2）当属性之间的相关为0.5和0.8时,无论Q矩阵正确设定或错误设定,EAP和MAP方法的分类准确性相似且高于MLE。研究二是当属性之间同时存在层级关系和相关关系时,对MLE、MAP和EAP方法的分类准确性进行比较。结果发现:（1）在A-CDM（Additive CDM）和G-DINA（Generalized Deterministic Input,Noisy“and”Gate）模型中（=300,1000）,MLE在第二个属性上有较高的分类准确性。（2）大部分条件下,MAP和EAP方法的分类准确性相似且表现较好,MLE的分类准确性较低。研究三是实证研究部分,通过分数减法数据集、使用九年级物理磁现象编制的数据集和含有属性层级的美国大学生英语测验数据集分析MLE、MAP和EAP在实际测验中对被试参数的估计效果。结果表明,EAP、MAP方法之间的分类一致性程度较高,MLE与MAP的分类一致性相对较低。实证数据中被试的潜在属性掌握模式分布为非均匀分布,结合模拟研究结果,EAP和MAP的估计结果可能更加接近被试参数的真值。选择合适的被试参数估计方法具有理论和实践意义。本文通过模拟研究和实证研究发现,EAP和MAP的分类准确性受被试潜在属性掌握模式分布的影响,且EAP和MAP方法的分类准确性较高。建议选择EAP、MAP方法估计被试参数。