网络数据统计分析是近十几年来最活跃、最前沿的领域之一。在我们生活中存在着大量的复杂系统都可以用网络来表示。例如社交网络、代谢网络和蛋白质交互作用网络等。通过对网络数据建模,可以刻画网络结构中的属性特征,如度的异质性和协变量的同质性等,进而利用统计方法帮助我们去理解、描述和预测复杂系统。因此统计模型是研究网络结构生成机制的重要工具。本文在已有的统计理论研究基础上,结合不同网络中的节点信息构建模型,研究了不同网络模型中,未知参数的估计方法和估计量的相合性和渐近分布等问题。本文内容主要分为三个部分,具体如下:第一部分研究了双模网络模型中的差分隐私推断问题。我们给出了松弛的边差分隐私定义;在满足该定义的条件下,提出了使用非负拉普拉斯机制去释放原始双模网络的度序列;提出了使用矩方法去估计未知参数;证明了矩估计量的相合性和渐近正态性;提出了高效的去噪算法获得L1误差下的最优解。数值模拟验证了理论结果的合理性,然后对加州大学欧文分校论坛网络数据进行了吻合性分析。第二部分考虑了带有协变量的广义β-模型中统计推断问题。该模型中包含了n-维的节点参数β和p-维同质性参数γ;基于矩估计方程,我们证明了参数估计量（β,γ）的相合性和中心极限定理;然后将此理论应用到两个具体模型,得到了相应的理论结果。第三部分考虑了带有协变量的p0模型中极大似然估计量的渐近理论问题。当节点个数趋于无穷大时,我们证明了极大似然估计量的相合性和中心极限定理。数值模拟论证了理论结果的合理性,最后对Lazega数据集中的律师友谊网络数据进行了吻合性分析。