序集抽样方法是上世纪50年代McIntyre在寻求能较好估计牧场草的产量时提出来的.它是假定在一个无穷总体中，对每一个体进行准确测量的费用很高或时间很长，而对他们或其相关的量进行某种排序的费用可以忽略不计的情形下，抽出一组样本对它们按某种机制进行排序，只测量某个次序样本，而其它样本弃之不用的方法.以往的研究结果表明，在相同的样本大小下，只要排序不是完全随机的，序集抽样比简单抽样具有更小的方差.近年来关于序集抽样的研究成果有了很大的发展，但是关于序集抽样下M估计的研究还很薄弱.　　 以往的关于非均衡序集抽样M估计的研究主要集中在分位点的情形，而且是要求抽样是完美的.这些方法过于依赖分位点分布的特殊性质，无法向其它过程推广.本文中在抽样是相合的情形下，不要求抽样是完美的，给出了一般M估计的表示形式.我们通过构造独立和表示的变量，证明了它和M的距离是依概率收敛到0的，从而证明了M估计的渐近正态性.此外我们还给出了M估计下的最优设计方案以及一些讨论.我们还对各种抽样方案做了模拟，模拟的结果验证了我们的结论.　　 在计算M估计的渐近分布的时候，通常要涉及到冗余参数的估计，而这些冗余参数往往不能被精确估计.为此我们考虑用随机加权的方法来逼近它.在均衡序集抽样下，我们构造了随机加权M估计.我们发现，以往的对每个样本进行加权的方法在这里不能发挥出序集抽样的效用，为此我们采用了对一组样本加同一个权的方法.我们同样通过构造独立和变量的方法证明了在给定样本下随机加权估计逼近M估计是强相合的.同时我们也对此做了模拟，模拟结果表明随机加权M估计是渐近正态的，而且随机加权逼近M估计的效果也较好.　　 另外我们还考虑了随机加权估计的精确逼近问题.我们首先通过渐近展开的方法构造了简单抽样情形下随机加权均值估计的精确逼近，而序集抽样下的精确逼近则是简单抽样的直接推广.以往的精确逼近问题采用的是Dirichlet分布，这里我们不再限制权的分布，也不要求它期望为1，主要对它的偏度系数有所限制，大大扩大了权的选择.同时我们也对序集抽样下M估计的精确逼近做了探讨。