У дисертації розглянуто асимптотичні властивості оцінок у~лінійній та поліноміальній моделях регресії з похибками у змінних. Розглянуто функціональну багатовимірну лінійну модель, структурну багатовимірну лінійну модель та структурну поліноміальну одновимірну модель.Для функціональної багатовимірної моделі, коли відома коваріаційна матриця похибок у незалежних змінних, було встановлено умови консистентності та строгої консистентності покращеної оцінки найменших квадратів матричного параметра моделі за умов фіксованої точності вимірювань, спадної точності вимірювань та залежних похибок вимірювання у гетероскедастичному випадку.У гомоскедастичному випадку для покращеної оцінки у функціональній багатовимірній моделі з похибками у змінних були встановлені умови асимптотичної нормальності покращеної оцінки найменших квадратів матричного параметра, у яких вдалося відмовитися від~вимоги симетричності багатовимірного розподілу похибок незалежних змінних, та була побудована модифікація, яка є більш обчислювано стійкою для малих та середніх обсягів вибірки, проте зберігає асимптотичні властивості початкової оцінки.Для структурної багатовимірної лінійної моделі регресії було запропоновано строго консистентні оцінки найкращого у середньоквадратичному сенсі індивідуального прогнозу та прогнозу середнього значення. Побудовано довірчий еліпсоїд для індивідуального прогнозу. Для структурної поліноміальної моделі було запропоновано оцінку найкращого у середньоквадратичному сенсі індивідуального прогнозу та прогнозу середнього значення і побудовано довірчий інтервал для індивідуального прогнозу у випадку квадратичної моделі.^UThesis deals with asymptotic properties of estimators in linear and polynomial errors-in-variables regressions. We consider functional vector linear error-in-variable regression, structural linear error-in-variable regression, and structural polynomial error-in-variable regression.For the functional vector linear error-in-variables regression with known covariance matrix of errors in regressors, conditions of consistency and strong consistency have been established for the adjusted least squares estimator of unknown matrix parameter, while heteroscedastic errors in response have bounded accuracy, decreasing accuracy, or dependent structure.For the homoscedastic case of functional vector linear error-in-variables model with known covariance matrix of errors in regressors, there are established conditions of asymptotic normality for the adjusted least squares estimator. These conditions exclude demand for the symmetry of the distribution of the multivariate error in independent variables. Also, we constructed a small sample modification for the adjusted least squares estimator, which preserves asymptotic properties, and which is more stable from small to moderate sample sizes.For the structural vector linear error-in-variables regression, we constructed estimators for the best mean square error individual and mean predictors. It is proved the strong consistency of such estimators. Confidence ellipsoid for the individual prediction is constructed. For the structural vector polynomial errors-in-variables, estimators for the best mean squared error individual and mean predictors are constructed, as well, with their strong consistency proved. Confidence interval for the individual predictor in quadratic model is constructed.