目前复杂网络的研究领域已经涉及到了计算机科学、生物工程、物理以及城市交通学等各个学科,与人类生活等各个方面的联系越来越紧密。所以复杂网络分析是目前研究的一个热点。在复杂网络分析中一个重要研究方向就是分析网络中节点的重要程度,寻找网络中的关键节点,例如通过控制恐怖组织的领导者可以控制整个恐怖组织,进而避免一些恐怖袭击案件的发生;对网络中的关键服务器加以保护,可以防止其受到病毒或者黑客的攻击,从而达到整个网络正常运行的目的;通过隔离传染源,有效预防传染病毒的传播与扩散;根据人体致命性的蛋白质组成研制出新的药物等等。上述应用中都需要使用的算法是介度中心算法,因此介度中心算法在复杂网络分析中占有重要位置。虽然介度中心算法在实际应用中的使用比较广泛,但是还存在两个问题。首先,介度中心算法的应用场景不确定,目前的衡量网络节点重要程度的算法比较多,还有一些其他常用关键点发现算法,如PageRank算法等,对于何时选择介度中心算法进行关键点发现目前还没有研究,因此确定介度中心算法的应用场景是目前亟需解决的一个问题;其次,介度中心算法的计算量过大,运行时间长,在大数据时代不适用,现在最快的介度中心的算法时间复杂度为O(V*E),大规模的图完成该算法的时间一般比较长,对于一个拥有百万节点的图数据,完成计算就需要十几个月的时间,而且虽然目前的相关工作降低了介度中心算法的运行时间,但是完成一个节点规模超过百万的图的介度中心值计算仍然需要数月的时间,因此介度中心算法在大数据时代不适用。为了确定介度中心算法的应用场景,本文通过比较介度中心算法和PageRank算法得到的关键点集合所处在网络上位置的差异,根据7种网络类型下的15个真实数据集的实验结果分析出了这两种关键点发现算法的应用场景。介度中心算法用于查找整个网络中的重要节点,PageRank算法用于查找某个领域内熟知度比较高的点。为了解决介度中心算法计算量过大的问题,本文通过近似算法的角度来降低介度中心算法的计算量。经研究发现,目前的复杂网络都呈现小世界网络和幂律分布的特点,可以考虑将图本身的特征或者再加上其他的直观图特征与近似算法结合来降低介度中心算法的计算时间,使之能达到实用的程度。本文根据图数据本身的特征提出了一种基于顶点加权的介度中心近似算法,具体做法是选取高影响力的源点与顶点加权的方式来降低介度中心算法的计算量,使用该算法的加速比平均为25,而近似结果的误差率小于0.01%,符合在实际应用中只关心部分重要节点排名的要求。所以,基于顶点加权的介度中心近似算法在保证近似结果精确度的前提下,大大降低了介度中心算法的计算量。