从分布未知的总体中获取样本来对总体未知特征进行统计推断时,最常用的是简单随机抽样。但是,在一些实际问题中,简单随机抽样无法进行或会花费较多的时间与资金,这时我们需要采取其它的抽样方式。本文中讨论了两种非简单随机抽样:指令性抽样和排序集抽样。　　 本文首先讨论了指令性抽样下总体均值和方差参数的估计。在指令性抽样方式下,样本往往不具有代表性,因此仅用它们来推断总体将是不适合的,本文基于观察信息,利用概率统计方法将没有发出调查指令的样本信息补充出来,然后利用观察信息和补充信息一起来对总体进行推断.本文给出了总体均值和方差参数估计的迭代公式,并给出了它们在经济犯罪调查和流行病调查中的应用。　　 然后本文又讨论了排序集抽样下的一些统计推断问题。排序集抽样适用于样本易直接或依伴随变量进行排序的场合。对二元随机变量(X,Y)中不易排序的兴趣变量Y的均值做估计时,以往文献中采用了平衡依伴随变量排序法。本文中提出了非平衡依伴随变量排序法。首先假设总体(X,Y)属于Morgenstern型分布类,在平衡依伴随变量排序抽样下,证明了关于兴趣变量Y的均值的无偏估计优于同样本容量的简单随机样本均值。接着对Morgenstern型分布类中的Morgenstern型二元指数分布(MTBED),采用非平衡依伴随变量排序法来对总体中兴趣变量Y的均值进行估计。当X与Y的相关系数已知时,得到了一个优良的非平衡抽样配置,而且将这种方法推广到了到一般Morgenstern型分布上。当(X,Y)服从MTBED,X与Y的相关系数未知时,也得到了一个优良的非平衡抽样配置,并证明了这个最优配置在贝叶斯准则下的优良性,而且它具有极小极大性与可容许性。接着讨论了对X与Y的相关系数做估计时的非平衡抽样配置问题。当Y的均值已知时,得到了X与Y的相关系数的一个本质完全估计类,并在这个估计类中找到了最优配置,证明了最优配置在贝叶斯准则下的优良性,而且它具有极小极大性与可容许性。当Y的均值未知时,又重新给出了一个相关系数的估计,并证明了这个估计是强相合的。最后考虑了(X,Y)服从MTBED时,在平衡依伴随变量排序抽样下样本和的分布,得到了其精确分布和渐近分布。