传统基于设计的抽样理论推断在抽样领域中占据着重要地位,例如政府调查、民意调查等各类大型调查一般都选用概率抽样调查,利用样本统计量对总体参数进行推断。然而当前概率抽样调查面临着许多挑战,主要有抽样框的构造变得困难、调查成本高、调查回答率低、以及有效需求样本量不足导致估计偏差增大等。大数据时代背景下基于互联网的网络调查悄然兴起,由于其信息传播速度快、获取数据成本低、便捷性高以及受众人员广的优势,从而以互联网等信息化工具实施的网络调查得到了广泛应用。然而互联网调查的实施过于依赖能够使用互联网的人员,通常不能涵盖目标总体,存在覆盖误差,样本单元的选取不是基于完全随机的原则,样本存在选择性偏差等。另外,网络调查大多采用非概率抽样,其本质上是非概率样本,难以利用传统基于设计的抽样理论推断。关于非概率样本推断有限总体是抽样领域研究的热点问题。本文在可忽略选择机制下提出了推断有限总体方法:一是从伪随机化的视角出发为非概率样本构造伪权数以实现推断。由于非概率样本没有遵循随机的原则,其入样概率未知,样本不具有总体代表性,进而无法推断总体。因此,可以借鉴传统的随机化推断方法,构造伪权数与目标变量结合,实现对总体的估计。其中,倾向得分方法是一种常见的方法。文中主要通过Logistic回归、岭回归和Lasso回归构建倾向得分模型估计非概率样本的入样概率进而推断总体;二是从插补的思路出发通过非概率样本构造概率样本的插补值,利用插补值实现推断。在插补估计中假设概率样本的目标变量不可观测,目标变量的观测值均来自于非概率样本,在满足强可忽略的条件下利用类似传统的回归插补法,通过训练非概率样本模型对概率样本的目标变量插补。文中主要通过岭回归和Lasso回归模型训练非概率样本对概率样本的目标变量进行插补,以实现对总体的推断。本文从模拟和实证方面验证提出估计方法的有效性。其中,模拟分别考虑了未添加混杂变量和添加混杂变量两种情况,实证选取的是2017年中国网民社会意识调查数据,分别利用倾向得分方法和插补方法对目标总体均值进行估计。模拟分析和实证结果表明:从相对偏差、方差和均方误差综合来看,基于插补的总体均值估计要比倾向得分逆加权的总体均值估计效果好,其中,从相对偏差与均方误差角度分析基于Lasso回归插补的总体均值估计效果更可靠。