隶属网络(也称作双模网络)是网络数据的一种形式。它是由两组不同节点集(个体集和事件集)组成的隶属关系网络,其中个体隶属于事件。虽然已有一些统计模型被提出来分析隶属网络,但是在很多模型中,估计量的渐近性质仍然未知或者并没有得到合理的研究。在本论文中,我们首先提出了基于节点度的隶属网络模型,研究了关于模型参数的极大似然估计方法。在该模型里,节点的度是关于图的指数分布族中唯一的充分统计量。这一模型建模了节点度的不一致性特征。其次,当节点个数趋于无穷时,我们通过获得牛顿迭代序列的快速收敛速率证明了极大似然估计量的相合性。最后,通过构造Fisher信息阵的近似逆矩阵,建立了极大似然估计量的近似表达式,并获得了它的渐近正态分布。我们在有限样本情形下进行了数值模拟,并提供了一个实际数据分析。数值模拟结果表明在有限样本情形下,理论结果具有很好的近似。