由于在各个领域,比如:社会学中的社交网络、基因组学中蛋白质功能关系网络、医学中脑连接的分析、金融和经济领域广泛复杂的网络关系,网络和空间数据的研究一直被长期和持续地关注,并且随着数据时代的到来,越来越多应用场景下的数据都存在网络关系,网络或空间关系数据分析正成为统计学中一个被高度关注的领域。尽管动态网络和异质网络数据越来越广泛,但是目前大多数的研究工作都只针对网络关系已知的单网络数据,或者网络相关性被提前定义。但在实践中,多个或高维的网络数据越来越普遍,网络相关性通常未知或不能被很好地定义。例如,在房价网络中,房价的关联性依赖于经济水平、人口统计、位置等,但我们不知道确切的关联关系;在特定时间内,病人数是固定的,因此病人在各医院的分布形成网络。以医院为节点的网络关联关系与医院的等级和床位数等因素有关。此外,在金融风险领域,企业之间的业务和投资所形成的网络关联关系是判断企业信用的重要因素,但这些关联关系的强度还依赖于各节点信息,比如大公司的影响强度更大。如何通过节点上协变量信息,调整网络关系和强度,从而预测我们感兴趣的结果,比如信用,也是本研究的目的之一。本文研究包含两部分:针对网络关系依赖于协变量的高维异质网络数据,我们提出单指标网络关系的个性化网络自回归模型。我们的方法允许协变量影响网络关系的形式未知,并且允许各网络的网络效应可能不同。我们提出了带判罚的非参数广义矩方法自动识别相似或相异的网络亚组结构,并给出协变量影响网络结构的模式。理论上,我们首次给出了在网络节点数以及网络数据的样本数两个维度都趋于无穷时估计的大样本性质。数值模拟证实了方法的有效性及稳健性,用于分析中国某城市住院病人的分布问题,研究病人分布模式如何随疾病改变,病人的分布与医院的级别、医疗资源之间的关系,为医院管理政策的制定提供重要依据。为利用节点上的信息调整高维网络数据的影响以提高对结果变量的预测及解释能力,我们提出广义高维指标变系数网络模型。该模型有如下几个优点:网络结构的效应依赖于协变量,但影响方式未知;可以从高维网络中自动识别重要的网络结构;不限制结果变量的类型。因此模型具有很强的灵活性、解释性及良好的预测能力。我们提出带判罚的非参数拟似然函数方法选择重要的网络结构并估计相应的网络效应。在理论上,我们证明了估计量的相合性与渐进正态性。数值模拟证实了该方法的有效性及稳健性,最终应用于分析某企业信贷数据,发现了与企业信用有关的一种关联关系。