复杂网络是现实世界中复杂系统的抽象模型,它将复杂系统中的实体对象抽象为节点,将实体对象之间的显性或隐性关系抽象为边。节点重要性评估和社团检测作为复杂网络中最热门的两个课题,在计算机、通信、刑侦、社会、金融、交通、生物等诸多领域中得到了广泛的研究与应用。关键节点是构成一个网络并实现其信息传递功能的核心要素,识别关键节点并对其着手保护能够有效提升网络的抗毁性,也能够从关键节点入手提出更高效的网络攻击策略。此外,复杂网络中存在一种特殊的特征结构,社团结构。具体体现在社团内部节点的联系较为紧密,而社团之间的节点联系则相对稀疏,而发现网络中社团结构的过程则称为社团检测。利用社团检测能够轻易地揭示网络中的隐藏结构、反映节点之间的相互关系、分析复杂网络的潜在信息以及预测网络的局部功能特性。本文着手研究了复杂网络中节点重要性评估方法和社团结构检测方法,其主要成果如下:k核是一种常见的节点重要性评估指标,但由于其存在破坏网络整体结构信息、忽略邻居节点影响力等缺点导致每个节点难以量化区分。为了提高关键节点的识别精度,本文首先改进了k核的分解过程,提出了精准k核Ak（Accurate k-shell）。考虑到网络中局部特征信息和全局结构信息对节点的影响,本文随后将精准k核应用到重力中心性GC（Gravity Centrality）中并提出了库仑力中心性CFC（Coulomb Force Centrality）。信息学中的香农熵在网络关键节点识上具有良好的扩展性,通过结合邻域度中心性、邻域精准k核以及库仑力中心性三者的香农熵,最终本文提出了混合中心MC（Mixed Centrality）。该指标能将节点的拓扑结构信息、位置信息、局部特征信息和网络整体拓扑结构信息充分融合,消除单一指标评估节点时产生的片面性,从而达到对节点多元化评估的目的。在7种真实网络下,对MC和其它节点评估指标分别从单调性和准确性上进行了一系列实验,实验结果表明MC具有更好的关键节点识别性能。标签传播算法（LPA）是一种高效快速的社团检测算法,能够适用于不同规模大小的网络。然而,由于标签的随机传播和收敛条件的不明确致使实验结果非常不稳定。为了进一步识别出网络中的关键节点,本文首先在CFC的基础上提出了联合中心性UC（Union Centrality）。随后,针对LPA中节点随机选择标签这一缺陷,本文利用UC设计出了用于量化评估节点标签传播能力的标签选择性LS（Label Selectivity）。通过将UC和LS这两种指标应用到LPA中,本文最终提出了基于库仑力中心性的标签传播算法CFCLPA。该算法消除了原始LPA中的随机性并且明确了算法的结束条件,从而使其具备了高效精确的社团结构识别能力。在真实网络和LFR基准网络下进行了一系列测试和比较,实验结果表明CFCLPA具有更优秀的社团检测性能。