本文研究随机选择的排序集抽样，一般广义排序集抽样和极端排序集抽样Ⅱ这三种广义排序集抽样方法的设计优化问题。　　首先，研究随机选择排序集抽样(MRSS)，将其应用在指数分布和对数分布上，得到了两个分布下的MRSS均值估计的方差。然后，在指数分布下，与简单随机抽样(SRS)方法的均值估计的方差相比较；在对数分布下，与均值估计的R-C下界相比较，分别得到了MRSS方法的最优设计方案。证明了在一些情形下，MRSS的均值估计比SRS更实用，更有效。　　其次，提出了一种新的广义排序集抽样(GRSS)，给出了该抽样方法产生的样本均匀分布分位数的估计公式，与最优线性无偏估计(BLUE)分位数估计比较。给出了基于新方法和文献中的方法最小方差无偏估计(MVUE)，简单估计(SE)和均衡排序集估计(RSS)这三种具体抽样方法的分位数估计公式，计算相应的方差和相关系数，证明了在估计均匀分布的分位数时，这种新的方法优于文献中的方法。　　最后，对K元排序集抽样的一个特例极端排序集抽样Ⅱ(ERSS2)进行了符号秩检验，给出了该抽样方法的精确分布和大样本渐近分布，通过分析计算ERSS2对于简单随机抽样SRS的Pitman渐近相对效率，得出在排序花费不可忽略时，对小样本，在检验中位数时，ERSS2比RSS更有效，对于大样本的情形，ERSS2只优于SRS。