复杂网络被定义为一类由现实复杂系统抽象出来，并表现出高度复杂性的网络。现实生活中，我们总是处在不同的网络中，同时整个社会也被不同的网络所覆盖，如金融网、因特网、工作网、朋友圈、交通网、犯罪网等，因此深入研究复杂网络，对于我们的生活、工作都具有重大指导意义。生物体内存在着大量蛋白质，根据它们对生物体的重要性可以分为两类：关键蛋白质和非关键蛋白质。关键蛋白质是指能够帮助生物体实现某些功能，并且丢失后会对生物体造成巨大影响的一类蛋白质，由此可见，它对于生物体的生存、正常工作意义重大。同时，通过计算机从复杂的蛋白质交互网络中识别关键蛋白质，已经成为当今研究的一大热点。现阶段该领域已有一些经典算法，如度中心性算法、介数中心性算法、紧密度中心性算法等，但是以上算法都只关注了节点在网络中的重要性，而忽略了边作为连接节点之间桥梁所具有的重要性。接着，便有研究者引入边聚集系数ECC（edge clusteringcoefficient，ECC），提出了新型中心度算法NC（new centrality，NC）、基于排除思想的剥落排序算法等，但是上述这些算法都存在两个共同问题：既没有将网络中的节点和边的双重特性有效结合起来，也没有综合考虑每种算法的优势。针对上述问题，本文首先引入点聚集系数C（clustering coefficient，C）和边聚集系数ECC，并在此基础上，提出改进的边聚集系数IECC（improved edge clusteringcoefficient，IECC），和一种融合点和边双重拓扑特性的算法NEC（node and edge clusteringcoefficient，NEC）。接着，本文引入了机器学习中的K近邻（K-Nearest Neighbor，简称KNN）算法。由于传统KNN算法容易产生过拟合或欠拟合，于是本文采用Bootstrap重抽样技术对KNN算法改进，改进后的新型蛋白质预测模型定义为bootstrap k-nearest neighbor模型（简称Bootstrap-KNN）。Bootstrap-KNN对每个节点的识别都综合了多种关键节点识别方法的评分，由于不同算法对不同网络结构的适用性，本文提出的方法使预测结果更加客观，而且适用性更强。为了验证本文提出的改进算法NEC和Bootstrap-KNN模型的有效性，本文利用DIP（dataset of interacting proteins，DIP）数据集中的酵母蛋白质网络进行仿真实验。通过对实验结果中各项评价指标进行分析对比，结果显示NEC算法的预测准确率等多项指标均高于大部分传统算法，并且Bootstrap-KNN模型对应的预测准确率等多项指标均高于NEC算法，这些改进能够为生物学中关键蛋白质的预测提供有效指导。