当$p$可能远大于可用样本大小$n$时，我们考虑$p\倍p$精度矩阵的贝叶斯估计。众所周知，在这种超高维情况下，一致性估计需要正则化，例如带状、锥形或阈值。我们考虑模型中的带状结构，并通过高斯图形模型导出带状精度矩阵的先验分布，其中只有当两个顶点在给定距离内时，才会出现边。为了合理地选择图的阶，我们获得了基于$L_{infty}$-算子范数下的图形模型的后验分布和Bayes估计在一类精度矩阵上的一致收敛速度，即使真精度矩阵可能没有带状结构。在证明过程中，我们还计算了最大似然估计量（MLE）在同一组条件下的收敛速度，这是独立的。基于图形模型的MLE和Bayes估计量是自动正定的，这是文献中其他估计量所不具备的一个理想性质。我们还进行了模拟研究，将基于图形模型的贝叶斯估计量和MLE的有限样本性能与使用精度矩阵的Cholesky分解获得的性能进行了比较。最后，我们讨论了使用边际似然函数选择图形模型阶数的实用方法。