子图发现是现代网络科学的一个重要研究课题,是展示并解析网络结构的重要手段,其目标是从一张完整的图结构中,寻找一个或多个具有某种特殊定义的子图的集合。但是目前研究人员主要将重心放在稠密子图发现上,而统计显著性子图的研究经常被忽略。由于目前存在的方法鉴定出的稠密子图可能是没有统计意义的,如何从网络中寻找具有统计显著性子图,是当前迫切需要解决的问题。本文就统计显著性子图发现问题提出了一个新颖的可扩展的算法框架SSF,算法主要基于单个节点的统计显著性来寻找统计显著子图的。该框架主要分为2个模块:统计显著子图发现,和结果去冗余处理。在统计显著子图发现方面,首先确定一个种子节点,使用该节点构建初始子图,之后通过循环迭代寻找一个统计显著性子图,循环上述过程,直到没有种子节点可选择为止,此时寻找到的所有的子图即为统计显著子图。实际上,单个迭代过程其实是一个多重假设检验的过程,采用FWER来控制错误率。在结果去冗余方面,将结果冗余转化为集合覆盖问题,采用贪心的算法来得到近似解,从而过滤掉大量的冗余结果。本文基于仿真数据以及真实数据做了一系列的实验,实验结果表明SSF能够高效快速的寻找网络中的统计显著性子图。另外,本文将SSF成功应用到蛋白质组学中的蛋白质复合物发现问题,实验结果表明SSF不仅在统计显著子图发现方面能够预测出合理稳定的结果,而且在PPI网络中蛋白质复合物预测方面也有不俗的表现,有能力处理分析PPI网络。