位置参数作为总体分布的一类重要统计指标,常用于刻画实际数据分布特征。在现有关于位置参数的研究中,通常假定总体服从正态分布。然而,实际数据更常见、更频繁地呈现出单峰、厚尾以及非对称的偏态分布特征。若继续沿用正态分布假定进行统计推断,易使推断结果缺乏稳健性、降低统计推断精度。此外,现有研究在对偏正态位置参数进行估计时,大多利用直接参数。但是,大量研究表明,利用直接参数求解偏正态分布的似然估计往往会导致结果存在较大偏差,特别是在偏度参数接近于零时。鉴于此,本文针对偏正态总体,运用中心参数化方法和Bootstrap方法,研究偏正态总体位置参数的假设检验和区间估计问题。进一步,本文基于相依样本,研究偏正态总体位置参数的统计推断问题。首先,本文分别基于矩估计和极大似然估计,运用中心参数化和Bootstrap方法,构造单个总体位置参数的Bootstrap检验统计量和Bootstrap置信区间。其次,探讨两个总体的Behrens-Fisher型问题和区间估计问题。进一步,基于相依样本,分别在尺度参数或偏度参数已知时,构造单个总体位置参数的Bootstrap检验统计量和Bootstrap置信区间。进而,讨论两个总体的Behrens-Fisher型问题和区间估计问题。最后,将上述方法分别应用于叶面积指数数据、运动员体内红细胞数数据、地区生产总值数据以及股票每日收盘价数据。模拟结果表明,当利用独立样本研究单个偏正态总体位置参数的假设检验时,基于矩估计和极大似然估计的方法在小样本情况下略显自由;而随着样本量的增加,上述两种方法的实际水平越来越接近0.05的名义显著性水平。而针对两个总体的Behrens-Fisher型问题,基于矩估计的检验方法优于基于极大似然估计的检验方法。在此基础上,将独立样本推广至相依样本。针对单个偏正态总体,当尺度参数已知时,Bootstrap检验方法与近似方法的检验结果较为相近;当偏度参数已知时,Bootstrap检验方法在犯第一类错误意义下优于近似方法。而在研究Behrens-Fisher型问题时,无论是在尺度参数已知亦或是偏度参数已知条件下,Bootstrap检验方法在大多数样本量和参数设置下均优于近似检验方法,尤其是在小样本情况下。在案例分析中,进一步验证了Bootstrap方法的统计优良性。