本文主要研究了高维稀疏精度矩阵的估计。　　第一部分我们旨在对高维稀疏精度矩阵中的每个元素建立相应的置信区间。首先介绍了一种新的估计精度矩阵的方法，这个方法实质上就是正定约束条件下基于Lasso惩罚迹差损失下的一个最优化问题。对这个最优化问题的K K T条件进行变形可以构造一个统计量。在一些假设条件下，我们对这个统计量的渐近性质进行分析。对于次高斯观察值，我们证明了这个统计量服从渐近正态分布。在此基础上，我们建立了相应的置信区间。最后，为了说明我们方法的优越性，我们进行了数值模拟。模拟结果表明，对于高维稀疏精度矩阵中的非零元素，利用我们的方法建立的置信区间比一些其他方法更准确。　　第二部分给出了很多协变量调整的高维稀疏精度矩阵估计的两阶段估计程序，这里的协变量可能影响随机向量的均值。我们首先运用联合惩罚方法确定影响均值的相关协变量。然后将估计出的回归系数用于估计多元次高斯模型的均值，并通过LASSO惩罚的迹差损失方法对稀疏精度矩阵进行估计。在一些假设条件下，建立了精度矩阵估计的不同范数的收敛速率，并证明了依概率1收敛的稀疏恢复性质。数值结果表明，在有限样本情况下，同其他方法相比，我们的方法具有一定的优越性。