数据建模是机器学习和人工智能领域的重要研究问题，聚类分析可以有效地挖掘数据内在的模式和规律。复杂网络(图数据)作为新的研究热点，对理解社会复杂系统有着重要的作用，可以有效地用于推荐系统、恐怖组织挖掘等问题。近年来，网络结构的动态演变给社团检测建模提出了新的挑战，如何采用高效的学习模型挖掘动态复杂网络内在的规律，实现社团检测和演化分析，成为动态复杂网络研究的重点。从动态复杂网络中节点重要性、社团结构、特征表示、高阶相似性等角度研究面向动态复杂网络社团检测的特征建模与分析，采用统一的非负矩阵分解架构，实现动态网络中节点特征、网络特征、社团特征的联合建模，具体工作包括：
　　针对节点重要性和社团结构相互影响的挑战，提出了联合建模节点重要性变化和社团结构变化的联合模型。具体地，基于动态非负矩阵分解模型，引入一个演变矩阵来建模节点重要性的演变过程。同时引入另一个演变矩阵来建模社团结构的演变过程，提出了动态网络多结构特征联合模型，进一步基于梯度下降的方法提出了该模型的优化方法。实验结果表明该模型在时变社团检测和关键节点识别任务上均具有较好的性能。
　　针对节点局部特征的动态变化多样性问题，提出了基于网络表示学习的社团结构建模统一框架。具体地，基于对称非负矩阵分解以融入网络当前时刻的拓扑信息，并基于演化聚类引入演变矩阵以融入网络历史社团结构信息。同时，利用网络表示学习方法刻画节点的动态局部特征，并以正则的形式融入动态网络特征模型。继而形成基于网络表示学习的社团结构建模统一框架，并给出了其对应的优化算法。实验结果证明了该动态社团结构模型框架的鲁棒性与有效性。
　　针对网络稀疏性和高阶表示的有效性，提出了融合动态网络高阶特征、一阶相似性正则的社团演变模型。具体地，针对真实网络的稀疏性问题，引入动态网络高阶表示策略，同时考虑到网络数据的流形结构，结合动态网络多结构特征建模优势，引入一阶相似性正则，提出了融合动态网络高阶特征的社团演变模型。实验结果验证了该模型在时变社团检测与关键节点识别方面均具有较好的性能。
　　针对动态复杂网络挖掘中的重要问题，提出了一套用以社团检测、网络演化、节点重要性分析的理论方法，提升了动态复杂网络的应用场景和理论方法。