复杂网络是一门新兴的交叉学科,旨在对存在的网络现象及其复杂性进行解释。在自然界和人类社会中,越来越多的复杂系统都可以被抽象成网络,最简单形式的网络可以表示成节点和连接节点之间的边的集合。由于真实网络存在的异构性,导致节点在结构和功能上扮演着截然不同的角色,通常将能更大程度上影响网络结构功能的节点称为重要节点。识别和利用这类重要节点在疫情防控、舆论引导、病毒营销等领域都具有重要意义。随着网络规模的增大和结构的日趋复杂,高效精确地评估节点重要性成为学者们关注的焦点。而近来研究结果表明,融合多个指标能进一步提高节点重要性排序结果的精度。本文主要对复杂网络中重要节点识别的多指标融合方法开展研究:(1)提出了基于D-S证据理论的多指标融合方法在识别重要节点的众多指标中,许多指标都有各自的优点和缺点。当面对不同的需求时,各类指标性能的优劣存在一定的不确定性。如果能够融合这些不同维度、甚至可能是相互矛盾的指标,那么重要节点的排序结果将更加全面可靠。针对这一问题,我们提出了基于D-S证据理论的多指标融合方法,将节点的度和二步邻居信息通过D-S证据理论进行融合。该算法不仅考虑了网络中节点自身的拓扑信息,还考虑了其邻居的拓扑信息,很好地平衡了精度和效率,因此适用于大规模的网络中。(2)提出了基于信息熵的多指标融合方法目前存在的多指标融合方法同样存在一些问题。第一,这些算法的时间复杂度高于O(n),这使得它们无法适用于大规模的网络中。第二,这些算法将自身融合的指标对于重要节点排序结果的贡献视为同等重要,导致算法性能的改善十分有限。第三,这些算法选择需要融合的指标在属性上具有强烈的同质性,例如将节点的度和二步度、甚至是三步度融合(这些指标都属于节点的邻居信息属性),这同样会导致算法性能的改善有限。针对上述问题,我们先利用信息熵对节点的邻居信息和所处于网络中的位置信息进行赋权,然后再进行融合。实验结果表明,该算法能够在大规模的网络中高效准确地识别出重要节点。本研究所提出的两种多指标融合方法进一步补充了复杂网络中重要节点识别算法的研究体系。并且由于它们所具有的低时间复杂度及高排序精度的特点,也使其在实际应用领域同样具有较高的价值。