在当前的网络信息飞速发展时代里,产生了大量的网络数据,如何从海量的网络数据中获取有价值的信息是当前研究人员所关注的前沿研究领域。网络中分布着大量的顶点,因为不同的属性以及类型,形成复杂交错的连接,这些连接隐含了丰富的特征信息,网络表示学习算法就是专门用来表示网络中的特征信息。通过将网络顶点编码成实数向量的形式,为现有的机器学习算法提供输入。在向量空间的网络拓扑结构更加接近真实结构,可以应用于顶点分类、可视化、社区发现、链路预测等研究工作。本文首先介绍了网络表示学习的概念以及一些现有算法的发展情况。提出了一种新的网络表示学习算法BD-LargeVis,该算法是对LargeVis算法的改进优化,主要针对于复杂网络可视化问题。算法中融入了骨干度的概念,提高网络中相邻顶点的相似度值,将其应用于可视化以及社区发现。在社区发现实验中使用k-means聚类得到最终的划分结果,并用F-measure评估算法来评测实验结果。实验表明,本文提出的算法与LINE的一阶模式和二阶模式相比较,F-measure值更高。为了研究网络表示学习在链路预测方面的应用,提出了一种基于骨干度与网络编码的多阶模式算法BDLINE。该算法是在网络表示学习算法LINE的一阶相似度和二阶相似度基础上融入骨干度算法,将网络编码到多维向量空间中,使相似度高的向量所对应的顶点出现边的概率更大。网络结构中的顶点用向量表示,更加方便提取网络特征信息,能够更好的处理社交网络在链路预测中的随机性问题。实验使用两个不同的真实数据集,分别采用其它不同的算法进行多次实验。在链路预测的实验方面,与其它网络表示学习算法对比,本文提出的算法模型BDLINE的性能有所提升,预测效果表现的更好,这对复杂社交网络中预测网络顶点的关联性和有效性有一定的指导意义。