随着软件系统的功能不断地被更改,软件系统的规模将不断增大,其结构也将变得越来越复杂。在软件维护阶段,软件维护人员要想对未知的软件系统进行调整或修改,就必须先对软件系统进行理解过程。由于逆向工程得到的信息太过复杂并且大多数时候软件系统并没有及时准确的文档来帮助维护人员进行理解。因此程序理解会消耗维护人员很大的心力。本文的目标是分析和过滤软件信息,以便向软件维护人员提供系统中最重要的信息。在面向对象的软件系统中,挖掘系统的重要信息可以看作是识别系统中的重要类。本文基于复杂网络,提出一种新的模型来识别软件网络的重要节点,这些重要节点就是软件项目的重要类。同时还提出用投票算法计算出软件项目的重要类,并将本文提出的重要类识别方法跟其他8种基线方法的性能做对比,从而验证新模型的有效性。本文主要的研究内容如下:一,提出了一个新模型来识别软件项目中的重要类。首先,解析软件项目的源文件信息,并将解析到的类信息和类之间依赖信息进行一定的分析和计算,从而得到软件依赖数据集。然后,根据软件依赖数据集构建对应的加权软件依赖网络,其中网络中的节点表示的是软件项目中的类,节点之间的边表示的是类之间的依赖关系,边上的权重表示的类之间依赖关系的强度。最后,使用算法KCI（Key Class Identification）计算软件依赖网络中类节点的重要性,并将类的重要性分数进行降序排序,排名靠前的类就是用新模型识别出的重要类。二,提出了投票算法投票出软件项目中的重要类,并将KCI方法和其他8种基线方法的性能进行了比较。本文在25个不同的软件项目进行了实验,并用KCI方法和其他8种基线方法共同投票得出每个软件项目的前15名和前30名的重要类作为软件项目的重要类。然后将KCI方法和其他8种基线方法的召回率和准确率进行了对比,来验证新模型的有效性。实验对比结果表明,KCI方法在其中23个软件项目上的召回率和准确率都是最高的。对于前15名的重要类,只在软件项目Pool2上不如In-Degree方法的性能。对于前30名的重要类,只在软件项目Ormlite core上不如Page Rank方法的性能。综合结果表明新模型能更准确地识别出软件项目中的重要类。除此之外,本文还对比了KCI方法在不同规模的软件项目上运行的CPU时间,KCI方法在25个软件项目上的最长运行时间不超过1.4秒,这表明新模型能适用于不同规模的软件项目。