近年来,复杂网络的研究在各个领域开始发展起来,作为复杂网络主要内容之一的关键节点识别研究也日益受到关注。关键节点识别在现实中有重要意义,一方面可以保护关键节点来提高网络的可靠性,另一方面也可以攻击关键节点来摧毁网络。现在,关键节点识别的方法有很多种,可大致划分为两类,一类是将节点的重要度等同于显著性,另一类将节点重要度等同于破坏度。针对现有识别方法相对孤立的现状,本文采用TOPSIS法,即逼近于理想解的节点排序法对脑电网络进行关键节点的识别。这种方法综合考虑每个测度指标的不同侧重点,以及网络不断在变化的事实,提高了关键节点识别度。本文充分考虑脑网络的拓扑特性,利用希尔伯特相位同步分析方法来对脑电波所含的α波、β波、δ波和θ波进行研究。首先,确定对志愿者进行数据采集时所带的电极帽内的64个电极为网络节点,其次,对数据进行离线分析处理,然后运用希尔伯特相位同步分析法得到相位矩阵,再设置适当的阈值,构建大脑功能性网络。在得到大脑功能性网络的基础上,利用MATLAB编程计算出不同状态下脑网络的度及度分布、聚类系数、平均路径长度、聚类系数、介数等具体参数。再通过TOPSIS法对节点进行排序和关键节点的识别。最后,与节点拓扑势法识别出的节点对比,证明TOPSIS法的识别度高。利用复杂网络抗毁性理论验证本文采用的方法能有效识别出脑电网络关键节点,并利用复杂网络分析软件Pajek画出不同情况下脑电网络图,直观地得到大脑网络中节点的连接变化。之前绝大多数的复杂网络关键节点识别都是使用单个参数指标,这样孤立使用忽略了它们之间的关联性,与实际也不符合。影响网络的因素有很多,因此要综合考虑,本文采用TOPSIS逼近于理想解的排序法,将有效参数指标整合起来对脑网络关键节点进行识别,从信息学角度分析脑网络的变化。此方法为利用复杂网络实现脑电网络关键节点的识别提供了新的思路。