随着经济社会和科学技术的不断发展,社会的交互关系逐渐网络化,如从企业邮件转发网络到全球通讯网络,从城市居民出行网络到全球交通网络。这些网络从抽象、具体,以及微观、宏观等多个层面对现实的复杂系统进行描述,因此通过利用网络科学和计算机科学的理论来挖掘复杂系统中的共性特征和潜在的组织结构,为理解复杂而又抽象的现实世界提供了有效的依据。然而,当今社会经济的不断膨胀引起了网络规模的急剧扩张以及复杂化,给网络的潜在的共性特征刻画与组织结构挖掘带来了一定的困难。一方面迫切需要研究如何从复杂多样的静态网络、属性网络、以及动态网络中有效地表征网络内在的结构特征、属性特征、以及时序特征,另一方面需要研究如何基于所表征的网络特性来挖掘潜在的社团结构,这为揭露金融团伙的合作关系等应用提供了重要的手段,是当今学术界、工业界倍受关注的问题。基于这两方面内容,本文从“网络的信息表征与结构挖掘”出发,针对“难以识别距离遥远节点间的结构相似性对社团挖掘的影响”、“属性网络社团挖掘过程中对更细粒度的节点属性与结构特征处置手段不足”、“网络表征学习领域面临的网络动态特征表征能力弱”等问题,围绕“如何将网络的结构特征、时序特征、属性特征统一建模,实现将网络表征为高质量的低维表示并基于此挖掘出潜在的社团结构”这一科学目标,展开了“基于非负矩阵分解的静态网络社团挖掘、基于子网络互信息最大化的属性网络社团挖掘、基于图卷积神经网络的动态网络表示学习”研究:（1）针对难以将具有相似功能的节点正确划分到一个社团的问题,提出了基于非负矩阵分解的网络表示学习方法,实现了静态网络社团挖掘准确率的提升。首先,设计了节点同质性和结构相似性建模方法,一方面通过挖掘诱导子图来刻画节点间的结构相似性,另一方面通过度量节点间的相似性来刻画节点的同质性特征,实现对网络结构特征的有效刻画。同时,在非负矩阵分解的标准优化基础上,引入了模块度最大化策略,解决了难以将结构相似的节点正确划分到同一社团的问题,实现了将节点同质性、结构相似性统一表征到低维向量空间的同时,刻画出社团结构特征。（2）针对难以刻画网络细粒度结构、属性信息,导致属性网络社团挖掘准确率低的问题,提出了基于子网络互信息最大化的属性网络社团挖掘模型,实现了挖掘出潜在的高质量社团结构。首先,提出了一种基于子网络互信息最大化的方法,通过最大化细粒度网络子结构表示和节点低维表示之间的互信息,解决了网络的细粒度结构信息和节点属性信息难以同时表征的问题,实现以无监督方式学习高质量的节点低维表示。（3）针对难以同时刻画动态网络的时序特征和全局信息特征,导致在真实场景中应用能力不足的问题,提出了基于图卷积神经网络的动态网络表示学习方法,实现了节点低维表示表征能力的增强。首先,设计了一种新的图神经网络聚合函数来指导节点特征的聚合过程,解决了难以区分邻域内不同节点之间重要性的问题。其次,提出了一种时序平滑策略以最小化相邻快照网络之间的信息偏差,而后引入一种改进的长短期记忆网络来更新图卷积网络的权值参数,解决了网络动态变化场景下难以刻画出全局结构信息的问题。最后,基于真实网络数据和人工网络数据,并于最先进的对比算法进行了比较,实验验证了所提算法在静态网络社团挖掘、属性网络社团挖掘,以及学习动态网络高质量节点低维表示上的有效性和先进性。