En el análisis y modelado de datos, mínimos cuadrados y mínimos cuadrados totales son ambas técnicas de optimización matemática. Es destacable que tanto el método de mínimos cuadrados como el método de mínimos cuadrados totales se utilizan para tratar datos precisos y aleatorios. Sin embargo, cuando los datos dados no son aleatorios, o cuando los datos son imprecisos y solo se dispone del rango de los datos, no se puede utilizar el método tradicional de regresión lineal. Este artículo presenta un método de estimación incierta de mínimos cuadrados totales y un método de regresión lineal robusto de mínimos cuadrados totales inciertos basados en la teoría de la incertidumbre y el método de mínimos cuadrados totales. La estimación incierta de mínimos cuadrados totales puede considerar completamente los errores en los datos dados y el método de regresión lineal robusto incierto de mínimos cuadrados totales puede eliminar efectivamente los valores atípicos en los datos. Es posible obtener un efecto de ajuste más razonable con ambos de estos métodos, así como resolver el valor predicho y el intervalo de confianza con estos dos métodos. En cuanto a la estimación robusta de regresión lineal de mínimos cuadrados totales, tanto la estimación de regresión de mínimos cuadrados totales inciertos como la estimación de regresión de mínimos cuadrados totales robustos inciertos son factibles basadas en ejemplos numéricos. Hay ecuaciones de ajuste más precisas y resultados más confiables con la estimación de regresión lineal de mínimos cuadrados totales inciertos.