随着图论与网络科学的快速发展,复杂网络为现实世界中各类复杂系统提供有效的建模工具。复杂网络中节点的中心性指的是节点所代表的事物的重要程度。如何利用图论的知识,设计节点中心性算法来预测网络中的重要节点具有重要的理论意义和应用价值。由于网络的不断演化导致网络属性不易获取、网络拓扑结构越来越多样化、网络属性与拓扑结构之间具有异构性等问题使得一些中心性算法存在局限性。因此设计实用且行之有效的节点中心性算法仍值得深入研究。本文基于图论与复杂网络理论,结合最小支配集理论,采用图嵌入和非负矩阵分解方法,综合考虑网络节点属性与拓扑结构等分析和预测网络中重要的节点。主要工作和成果如下:（1）提出了基于信息熵、最小支配集和距离的节点中心性算法。在复杂网络中,重要的节点是能够将信息更加快速扩散到整个网络的节点。节点传播信息的能力不仅与节点之间传输的信息量有关,而且还与节点传播信息的范围有关。因此该算法通过信息熵量化节点之间交互的信息,将其作为节点的局部传播能力。由于网络在结构上是可控的,驱动节点（Driver nodes）可以被认为是构成网络骨架的重要节点,以支撑整个网络。本文采用最小支配集模型获取能够控制网络的驱动节点数,接着根据节点的局部传播能力确定驱动节点。用节点到驱动节点的平均距离代替节点到其他所有节点的平均距离,使得算法能够获得比接近度中心性更高的性能,且时间复杂度低。最终通过节点的平均距离和局部传播能力,定义节点传播信息的能力,并结合网络一阶拓扑信息预测网络中重要的节点。实验表明,该算法的准确性要明显优于对比算法。（2）提出了基于对称非负矩阵分解的节点中心性算法。从不同角度出发设计的基于单一属性的中心性算法只能获取节点在某个属性范围内的排序序列,为此学者们将多个基于单一属性中心性算法通过多属性决策进行融合,但使用这种策略未能考虑单一指标之间是否相关的问题,导致准确率普遍较低。为了解决这些问题,本文提出了VCSNMF算法。该算法用邻接矩阵和度矩阵的加权线性组合作为网络的原始数据,使其能够充分表示网络。通过最小化对称非负矩阵分解算法产生的目标函数,获得能够近似原始数据的线性无关的因子矩阵,达到对数据进行维数减约目的,并将因子矩阵作为属性矩阵,节点属性的总值用矩阵的行和表示。文中证明了当因子矩阵的列数为1时,该矩阵为网络谱半径对应的特征向量;否则,可以用推导出的乘法迭代更新算法获得。最终我们根据节点一阶邻域的度和属性的总值计算节点的中心性得分。实验表明,该算法可以有效的度量网络节点中心性。（3）提出了基于联合非负矩阵分解和图嵌入的节点中心性算法。网络本身是离散的,不能对结构信息直接进行相加或相减,因此该算法通过图嵌入和邻接矩阵的幂,分别获取能够表示网络局部和全局拓扑结构的矩阵。并在同一基矩阵下,通过联合非负矩阵分解提取线性无关的网络属性和拓扑信息。随后我们采用平滑策略来消除网络属性和拓扑结构之间的异构性。将上述步骤结合,形成总体目标函数并进行优化,得到融合网络结构信息且线性无关的属性矩阵。最后根据节点和节点一阶邻居的属性值计算节点的中心性得分。实验表明,该算法能够有效的预测网络中重要的节点。