现实世界中的网络无处不在,如何对越来越多、越来越庞大的网络进行高效地分析和处理在当今世界至关重要。针对网络分析的研究中存在一个关键的问题,研究怎样合理地表示网络的特征信息。随着机器学习的发展,对网络的节点信息进行表征成为一种新兴的研究领域。网络表征学习旨在将节点或者边的特征提取并嵌入到低维的欧式空间中,得到网络的稠密表示,然后利用一些机器学习的算法来进行针对网络的链路预测、节点分类、社团划分等各种应用。本文对网络表征学习进行研究,提出两种新的网络表征学习方法,并使用网络表征学习得到的网络表示来进行网络鲁棒性的优化。本文的主要研究内容如下:(1)提出一种深度堆叠自动编码器的网络表征学习方法(Encoder-AEO)。首先通过重启的随机游走得到网络的初始表示,并转化为正逐点互信息矩阵,接着通过深度堆叠自动编码器提取矩阵的特征信息,对Encoder-AEO设计一个新的能同时反映网络节点局部和全局重要性的混合目标函数,来实现更准确的网络节点的向量表示。在八个真实的网络数据集上,新算法与四种知名网络表征学习方法在链路预测、多标签分类、可视化等任务中相比较,结果说明提出的新方法具有较好的表现。(2)提出一种序列自动编码器的网络表征学习方法。将长短期记忆网络作为自动编码器的隐藏层的一部分,构造序列自动编码器。模型对网络的邻接矩阵进行重构,提取全局结构特征,同时通过序列自动编码器将网络节点的邻域信息编码至长短期记忆网络,有效地保持网络的局部结构的信息特征。并进行深度的训练得到经过时序处理的网络节点的低维且稠密的向量表示结果。将网络节点的嵌入表示应用在网络重构、链路预测、多标签分类等任务,较为优秀的结果表明提出的序列自动编码器具有良好的网络表征效果。(3)当网络的规模变大,拓扑结构变复杂,对鲁棒性的度量和优化愈加困难。为了降低计算鲁棒性的时间代价,基于迭代局部搜索算法和网络表征学习方法提出一种网络鲁棒性的优化模型(LSNE-RO)。首先针对网络表征学习的网络表示提出新的攻击形式,将节点和连边的攻击转化成为针对节点嵌入向量和嵌入的相似性矩阵的攻击,并在不改变网络度分布的前提下通过调整网络的连边设计,结合迭代局部搜索的算法对网络的嵌入表示进行鲁棒性分析,不断进行迭代得到最优的网络结构。针对四个网络进行鲁棒性优化的实验,发现LSNE-RO明显提高了网络应对节点蓄意攻击的鲁棒性,尤其是结合深度自动编码器的LSNE-RO(DNGR)模型在不增加时间代价的情况下提高了网络的鲁棒性。