在以往的抽样调查研究中,基于概率的抽样调查处于主导地位,在已知样本入样概率的情况下,通过随机化理论生成目标总体的代表性样本来消除选择偏差,但是随着响应率下降和基于概率的抽样成本迅速增加,研究人员开始转向使用更便宜和更方便的非概率抽样方法来实现所需的样本量。随着互联网的发展,网络调查由于数据收集周期短、调查成本低而受到人们的欢迎,目前已经在市场研究的调查数据收集中占主导地位。在此背景下,非概率样本的统计推断问题已成为网络调查急需解决的问题。解决非概率样本的统计推断问题,有利于促进非概率抽样的广泛应用与网络调查的发展,具有一定的现实意义。模型校准估计法是通过借助辅助信息对样本单元的权数进行调整,来减小样本结构与总体结构间的差异性,用于解决由于样本的随机性而导致的抽样精度低的问题。本文将机器学习方法中的决策树、神经网络、支持向量机、随机森林、Lasso引入模型校准估计并用于非概率样本的统计推断,通过构造非概率样本并结合辅助信息实现对目标总体的估计,并通过两个不同的数据集进行了实证研究,首先通过“是否可以上网”这一变量筛选出可以上网的群体,并将其假设为网络志愿者小组,然后在网络志愿者小组中随机抽取样本来构造非概率样本进行统计推断。本文采用的两个数据集中样本单元目标变量的均值与总体目标变量的均值之间都存在较大差异,研究结果表明:在不同的样本量下,通过模型校准估计法得到的统计推断结果与目标总体的真实结果非常接近,也就是说即使非概率样本均值与实际总体均值存在较大差异,使用模型校准估计法能够很好的解决这个问题,能够实现对目标总体较为准确的估计;通过对五种方法的对比分析发现基于随机森林的模型校准估计量的偏差表现较好,而在方差和均方根误差方面,基于Lasso的模型校准估计表现更好。