对于现实世界的各种复杂系统,如果忽略系统中个体的形状、位置等信息,只考虑个体和个体间的联系,就能够将它们抽象为复杂网络。一般地,复杂网络的拓扑统计结构可以用数学中的图表示,而发生在网络上的动力学过程可以由微分动力学方程来刻画。随着科学技术的发展,许多现实网络的规模在不断扩大,网络规模的巨大给对复杂网络相关的研究带来极大困难,针对中尺度网络的研究方法不再适用。为此学者们提出了一些复杂网络粗粒化方法,在保持网络某些特性不变的前提下减小网络规模,来降低计算的时间和空间复杂度。目前比较典型粗粒化方法有谱粗粒化方法、K-核分解法等,还有更多的粗粒化方法有待我们探索。本文提出了一种新的基于层次聚类的复杂网络粗粒化算法(HCCG),进一步应用复杂网络建模与粗粒化方法来研究中国股票市场的一些特点。主要研究内容如下:(1)提出基于凝聚型层次聚类方法的复杂网络粗粒化算法(HCCG算法),对一些典型网络进行了仿真实验,验证了此方法在粗粒化过程中保持原始网络同步能力效果是比较好的,并发现在不同类型的复杂网络及不同参数下,该算法的优劣差别。应用HCCG算法对网络进行粗粒化,可以精确的控制粗粒化网络规模的大小。通过比较发现,此方法更适用于具有明显聚类结构的复杂网络。(2)构建了股票关联网络并用HCCG算法进行粗粒化分析。从中国沪深股票市场交易数据库获得股票交易价格数据,并对数据序列进行预处理,将股票数据转化为对称矩阵,通过设定相关系数阈值的方法在相关系数比较大股票间建立连边,构建成无权股票关联网络,应用HCCG粗粒化算法进一步研究该网络的一些拓扑统计性质和聚类结构,并进行结果分析。