数字经济时代,社交网络作为数字化平台经济的重要载体,受到了国内外学者的广泛关注。大数据背景下社交网络的商业应用价值巨大,但由于其网络规模空前庞大,传统的网络分析方法计算成本过高因而不再适用。而通过网络抽样算法获取样本网络实现对整体网络的推断可节约计算资源,因此抽样算法的好坏将直接影响社交网络分析结论的准确性。一个完整的抽样调查方法包括抽样设计（Sampling Design）和抽样估计（Sampling Estimation）两个阶段,本文针对这两个阶段在处理社交网络数据时所遇到的窘境,分别提出聚类随机游走抽样算法和基于网络信息的模型辅助估计方法。在抽样设计阶段,现有社交网络抽样设计算法存在忽略网络内部拓扑结构、容易陷入局部网络、抽样效率过低等缺陷。为了弥补现有社交网络抽样设计算法的缺陷,本文结合大数据社交网络的社区特征,提出了一种聚类随机游走抽样算法。该方法首先使用社区聚类算法将原始网络节点进行社区划分,得到多个社区网络,然后分别对每个社区进行随机游走抽样获取样本网络进行推断。数值模拟和案例应用的结果表明,对于网络规模巨大、样本间连接关系多样以及具有局部集聚性的复杂网络,聚类随机游走抽样算法克服了传统网络抽样算法的缺点,能够在降低网络规模的同时较好地保留原始网络的结构特征,表现出更好的估计精度。此外,该抽样算法在较低抽样比例下,仍能保持良好的抽样效果。而且该算法还可以并行运算,有效提升抽样效率,这对于大数据背景下大规模社交网络的抽样实践具有重大的现实意义。在抽样估计阶段,如何通过抽样设计所得到样本对总体进行有效估计,是抽样调查的又一重要研究方向。现阶段最常用的估计方法是模型辅助估计方法,但是传统的模型辅助估计方法大多关注样本自身的辅助信息,对网络信息这种半结构化的新兴辅助信息却没有涉及,而网络信息作为社交网络辅助信息的重要来源,如果能够在抽样估计中对其充分利用,无疑会进一步改善估计推断的效果。因此本文在传统的模型辅助估计方法的基础上,考虑样本之间的网络连接关系,提出基于网络信息的模型辅助估计方法。模拟结果显示:考虑网络信息的模型辅助估计相较于传统的模型辅助估计具有更高的估计精度,并且随着网络信息密度的增加,提升效果越显著。