复杂网络作为物理学中新兴的分支,随着互联网的兴起以及数据的爆炸性增长而受到国内外众多学者的关注。复杂网络是基于图论的一门交叉型应用学科,截至目前已经有较长的研究历史。1988年小世界特性的发现使得对复杂网络的关注上了一个新台阶,而无标度特性的发现更是对其的发展产生了深远的影响。不同于随机网络或人工网络的是,现实世界中的网络的非同质性决定了节点背后所表示的对象的重要性并不是平均分布的。而是有影响的节点仅仅占少部分,大部分都属于边缘节点,这也可以看做是复杂网络中的马太效应,快速找出这类节点对于很多实际问题都有重大意义。信息融合是一种利用多源信息对目标进行更客观、更本质的了解的技术。在军事应用的推动下,信息融合发展迅速,不仅在传统的军事领域,也在民用领域如故障诊断和室内定位都有很多应用。Dempster于1967年提出了证据理论,而后Shafer又进一步地推动了针对不确定性的推理理论发展,所以也被称为Dempster-Shafer证据理论。它跟传统的贝叶斯概率论不同的是,允许更为模糊的表达形式,具有表述不确定性的能力。同时由于其直推式的决策属性,因此在专家决策系统中得到了广泛的应用。本文的贡献主要集中于对复杂网络中的影响力节点挖掘以及证据理论的复杂网络建模,其主要工作可以概括如下:（1）基于随机游走的引力模型:复杂网络中的重要节点识别一直是人们关注的热点。以度中心性为代表的局部性方法在大多数图上表现良好,但在处理桥连接节点时效果不佳。为了解决“局部性困境”的问题,许多学者提出了不同的解决方案,其中引力模型是目前比较流行的研究方向之一,但现有的引力模型必须遍历所有节点之间最短距离,这使得这类算法难以在较大的图数据中运用。在本文中,我们提出了一个基于随机游走的引力模型来识别有影响的节点。虽然该模型需要O(|N|*γ*lk（l-k）)的时间复杂度来进行进行游走的采样,但将以邻接矩阵表示为O（|N|~2）的空间复杂度降低到O（~2|N|）和计算最短路径的时间复杂度从O（|N|~2）降到到O（1）,其中~2?|N|和γ*lk（l-k）?|N|。此外,本文还研究了一些随机游走的未被注意到的性质来支持所提出模型的可靠性。为了验证该方法的可行性,通过定义错误率,测试了基于随机游走的引力模型在不同随机游走策略下的传播能力和收敛速度。实验结果表明,无论是从效率还是效果上看,该方法都比现有的引力模型具有更好的效果。（2）证据理论的复杂网络模型:由于图在可视化个体间关系方面的优势,复杂网络得到了广泛的应用和发展。在Dempster-Shafer证据理论的实际应用中,通常有数千个传感器来收集信息。人们很容易被大量的信息所淹没,从而忽略了它们之间的联系。半监督学习方法-图卷积神经网络的兴起使得解决这一问题成为可能。受网络科学的启发,将证据理论中的基本函数-基本概率分配函数（BPA）建模为网络图形式。在该网络模型的框架下,结合本文提出的基于随机游走的引力模型系统性地解决了证据理论中的一系列典型问题,如冲突证据、多种类证据聚类以及大规模融合的高计算复杂度,并从图的角度提出了一种新的组合规则。最后,在真实数据集上的实验结果证明了复杂网络在传统证据理论中的潜力和可行性,并为未来在证据理论上的研究提供了全新的思路。