关键节点识别是网络科学的重要研究内容,在医学、社会学、网络安全、电力交通、政治与经济学领域有重要研究意义。根据传播动力学的研究形成的理论和方法可以更好地认识不同网络上的传播行为之间的联系与区别。关键点识别的研究在不同的领域具有重要意义,例如在社会网络中找到最有影响力的人可以控制流言的传播,疾病传播过程中找到易感人群,对疾病进行有效的预防和控制,城市交通系统、电力系统中找到关键枢纽进行重点维护,降低经济损失风险等。有效地评价和衡量网络中节点的重要性通常借助图论的概念和术语,将具体实际问题抽象为图,得到网络的拓扑性质,将多学科融合在一起作为研究方向,具有广泛理论研究和实际应用价值。本文针对移除节点破坏了网络的结构,考虑一步随机游走与移除节点相结合,移除节点不移除边,结合网络节点间平均最短路径距离和邻居节点信息,计算网络效率变化衡量节点重要性,综合考虑局部信息和全局信息进行关键节点识别。通过在4个真实网络仿真,设计4组对比实验,基于SIR传播模型和Kendall tau距离作为相似性评价指标,识别网络中的关键节点,实验表明,该方法能够有效的进行关键节点识别。本文针对等概率叠加随机游走关键点识别方法中没有考虑随机游走倾向性问题,以及不适用有向网络中关键节点识别,利用Jaccard节点相似性指标构造转移概率矩阵,开展了不等概率叠加随机游走在无向网络进行关键点识别的研究,该方法考虑了实际网络中随机游走的倾向性,更有效的模拟了信息在网络中的传播。采取相同的无向网络数据集和对比实验方法,证明了基于不等概率叠加随机游走能够以较高的精度识别无向网络中的关键点,且优于等概率叠加随机游走方法。此外,使用扩展的Jaccard指标,结合叠加随机游走重新定义有向网络中节点的重要度指标,并与经典的PageRank算法及其改进算法对比分析。本文算法解决了有向网络识别关键节点的参数问题,并且通过3个真实的数据集设计4组对比实验,证明了本文提出的不等概率叠加随机游走方法在有向网络识别关键节点的有效性和准确性。