本文主要研究了3-参数指数随机图模型的生成及其相应参数的估计.首先介绍了随机图的定义、符号标记和一些经典的随机图模型,但是随着现实网络的复杂性,这些经典随机图模型不足以刻画现实社会网络的特性,继而引出指数随机图模型的一个特殊子集:Markov随机图模型(即满足Markov依赖假设的模型).但是通过实例探究,Markov随机图模型存在着退化问题(分布比较集中于小子集),而且网络越大、密度越高,这种退化现象越严重,直到Snijders等人提出了关于指数随机图模型的新的描述,成功替代之前的Markov随机图模型.近些年,通过学者们对指数随机图模型的探究,介绍了指数随机图模型的定义和性质,将网络中参与者之间的关系看作随机变量,而随机关系变量间的相关性这一假设决定了指数随机图模型的一般形式,紧接着又给出相关参数的解释.本文着重研究的是3-参数指数随机图模型,给出了模型的概率分布,以及三参数的具体表达形式和参数意义.本文随后介绍了Hastings-Metropolis算法(H-M算法)和Gibbs抽样,用Gibbs抽样模拟图分布生成3-参数指数随机图模型的邻接阵,而多次模拟的对比结果表明:图的规模不应过大,要适当选择.本文由于模型中正则化常数ψ的复杂性、未知性,使得常规的极大似然估计方法失效,因此引入伪极大似然估计的方法.紧接着运用Logistic回归将非线性回归模型转化为线性回归模型,选取合适的参数初始值,利用伪极大似然估计方法将指数随机图模型的概率分布转变为可以求解的线性表达式进行求解.最后结合Newton-Raphon迭代法估计相应参数,进行数值模拟.