在现实生活中,复杂网络系统分布在不同的领域和学科,这其中较为关键的研究方向就是重要节点识别。重要节点识别为复杂网络学科的进一步研究提供了更丰富的角度,其研究内容为利用策略和算法发掘出网络中的重要节点。节点的重要性衡量往往借用图论的基本概念和方法,同时融合多学科如机器学习或贪心策略,可以被广泛地研究。挖掘重要节点在不同的研究领域具有不同的意义,例如在疾病传播网络中控制隔离无症状感染者从而进行有效的防控,或在社交网络中利用影响力最大的人从而进行流言的控制或信息的传递等,由此可以看出重要节点识别研究具有广泛的实用价值。基于现有方法的讨论和研究,本文提出了两种改进后的重要节点识别方法,分别为结合PageRank算法与多指标的重要节点排序算法和结合PageRank算法和传播理论的最大化影响模型。本文的主要研究内容如下:（1）首先简要介绍重要节点识别的国内外研究内容,对目前的排序方法和影响力最大化模型进行了深入的归纳;接着对复杂网络的基本概念进行介绍,为后续算法的改进作理论上的铺垫。（2）结合PageRank算法与多指标的重要节点排序算法利用了网络节点的多个属性特征,包括度中心性、聚集系数、接近中心数和介数中心性,还融合了TrustRank算法的思想,引入了筛选种子节点的环节。然后通过对现有方法的对比实验和对网络结构的鲁棒性实验来对改进后算法进行验证,实验结果证明该方法准确度更好,对网络结构也有较强的鲁棒性。（3）结合PageRank算法和传播理论的最大化影响模型利用了传统疾病传播模型,将传播理论与复杂网络理论结合提出了新的概率传播模型;传播的过程中还利用前述的排序算法进行快速有效的筛选。然后通过对传播参数的鲁棒性实验和影响力传播实验对改进后模型进行验证,实验结果证明该模型相比现有模型更具普适性,对参数和删除节点的方法也有较强的鲁棒性。（4）本文最后对改进后算法和模型仍然存在的待解决问题作出了阐述与总结,同时对未来的挑战进行展望。