舆情作为一种具有复杂性和关联性的网络,与复杂网络结构高度相似,故复杂网络己经逐渐成为研究舆情网络的一种重要手段。由于舆情具有形成途径多,传播速度快,扩散范围广等特点,当突发事件出现时,舆情将迅速蔓延。如果此时相关部门处理不当,有引发舆论危机的可能,甚至会影响社会稳定性。复杂网络舆情传播分析与建模的研究,有助于分析网络特性,挖掘网络结构,预测网络发展,对监管和正确引导网络舆情具有重要的理论研究价值和现实意义。研究信息在社交网络上的传播规律和影响因素,对于分析舆论传播、预防谣言扩散、引导信息传递等方面具有重要意义。本文针对易感-潜伏-传染-移出模型(Susceptible-Exposed-Infective-Removed,SEIR)存在的不足进行改进,建立易感-潜伏-信任-质疑-免疫模型(Susceptible-Exposed-Trusted-Question-Recovered,SETQR),运用概率定理推导出信息传播规律。同时,运用差分动力学和再生矩阵法求解出SETQR模型的平衡点和基本再生数,并通过理论分析证明了SETQR模型在平衡点处的稳定性。最后,进行了实验验证,仿真结果表明SETQR模型在平衡点处具有局部稳定性,与理论分析一致。通过进一步的仿真,分析了时滞机制、遏制机制和遗忘机制对信息传播速度及网络达到平衡状态所需时间的影响。研究复杂网络的社区发现算法对挖掘舆论起源,分析舆论传播途径和控制舆论演进具有重要意义。本文针对现有的基于中心节点聚类算法存在社区发现质量偏低的问题,提出了基于中心节点的二层相异性社区发现算法(Community Detection Method Based on Two-layer Dissimilarity of Central Node,TDCN-CD)。该算法首先通过节点的度和距离选择中心节点,避免了同一社区中距离较近的节点同时被选为中心节点。同时,提出了基于二层的节点相异性指标,深度挖掘节点相异性性质,达到精确社区划分的效果。在三个真实数据集中分别进行仿真实验,结果表明TDCNCD算法比经典社区划分算法的精度更高,可以有效地检测出社区结构。研究复杂网络的链路预测算法对分析舆论传播方向、预测舆论演进趋势和控制舆论发展进程具有重要意义。本文在充分调研现有链路预测算法后,以进一步提高算法精度为目的,提出了结合二层节点度和聚类系数的链路预测算法(Link Prediction Method Based on Two-layer Degree of Node and Clustering Coefficient,TDNCC)。算法全面考虑网络局部结构信息以及共同邻居节点之间的差异性,在相似性评价指标的选择上将节点度和聚类系数结合,深度挖掘节点相似性性质并将节点度扩展到二层。最后在三个真实数据集中分别进行仿真实验,结果表明TDNCC算法相比于CN、AA和RA等经典算法具有更好的预测性能。