网络数据广泛地存在于不同的领域，例如社交网络，合作网络，生物信息网络等等.大部分文献集中在二值网络的分析（网络中两点之间边的取值只取0和1两个值），网络的边有时候取加权的，甚至有些情况下取有序离散的值（例如，在社交网络中人与人之间的关系由最坏到最好的度量）.目前，关于边的权值取有序随机变量的网络模型的性质还缺乏严谨的理论分析.在本文中，研究了在有序网络中基于顶点度的矩估计的渐近性质.特别地，当参数的个数趋于无穷时，Yan et al.(2016b)对于一类顶点带有强度参数的无向随机图模型建立了基于度的矩估计值的渐近理论.基于他们的结果，证明了基于度的有序网络模型矩估计值的相合性和渐近正态性.　　本论文的主要成果以如下两个定理的形式给出:　　定理1如果e5(r-1)Qn=o（√n/log n），那么随着n趋于∞，依概率趋于1，矩估计(α)存在且满足||(α)-α||∞=Op(e3(r-1)Qn√log n/n)=op(1)，其中‖X‖∞=max1≤i≤n|xi|且Qn=maxi≠j（αi+αj）.　　定理2如果e(9(r-1)Qn)=o（n1/2/log n）,则对于固定的k≥1，随着n→∞，向量（B-1）1/2((α)-α)的前k个元素服从渐近多元标准正态分布，其中参数的均值为0，协方差阵由(B-1)1/2=diag（v1/211,…，1/2vnn）的左上角k×k维的子矩阵构成，其中vii=∑j≠vij.　　在实际数据分析中，选取了Jose A.Rodriguez构造的关于恐怖分子有序网络的数据集(TRAIN)和有序合作网络数据集(DHHS Collab oration Network)，对这个两个数据集各个顶点的度序列所对应的参数进行了估计，结果表明，模拟研究证实了理论结果.