近来，研究人员提出了许多在复杂网络中检测评估社团与中心性度量方法。这些方法为各领域的研究人员理解真实系统的构成，功能及动态演化进程提供了强有力的工具。然而，复杂网络拓扑结构的千差万别决定了中心性度量及社团检测本身是一种非常困难问题，而且对网络的划分已经证明是一种NP难问题，因此如何评估与检测网络社团与中心性，提出更加准确的检测与度量算法并对检测出的模块与中心性顶点进行功能解释仍是当前挑战性的工作。为此，针对刻画复杂网络的中心性及社团结构两种重要性指标，本文主要研究网络中心性度量方法及社团结构检测的聚类算法，以及它们在现实世界网络中的应用：（1）在复杂网络结构分析中，中心性分析已经被证实是一种非常有价值的方法。该分析方法用来检测网络中的关键元素以及依据节点的重要性对网络元素进行排序，以便实验能够跟踪到有重要意义的候选节点。为了支撑这种分析我们讨论了多种经典中心性方法，并且在人工网络和实际网络中展示了它们的应用。这些方法的运用显示了在一个网络中有某种较强的关联，但在另一个网络中有较弱的关联。为此，我们对模块密度函数进行了关于核矩阵的特征谱分的优化进程，基于核矩阵最大特征值对应的特征向量，提出了一种新的结构化中心性方法，称为模块密度中心性方法。这种方法描述了每一个节点到它分配社团上的贡献。通过人工合成网络和标准数据集网络，展示这种方法的应用，并同其它标准方法进行了比较，实验结果显示该方法在网络中心性度量上具有较好的准确性及稳定性。同时在计算机产生的两个大图和来自真实世界的两个大的网络中，我们调查了模块密度中心性方法的统计分布，结果表明了提出的方法能准确反映复杂网络的拓扑结构性质。（2）为有效地检测复杂网络中的社团结构，对评估与发现社团的模块密度函数（即D值）进行了优化。通过模块密度函数的优化进程，论证了模块密度函数被优化框定到广阔的谱分聚类方法中的矩阵松散最大化，并且提出了一种新的谱分算法，并对算法时间复杂度进行了分析。该算法允许自动选择最优的社团结构数目，在经典的计算机产生的随机网络及真实世界网络中检验了该算法。特别地，当网络中社团结构变得模糊时，实验结果显示这种新的算法在发现复杂网络社团上比基于模块密度的直接核方法及基于模块函数（Q）的谱分方法更加有效。（3）为在权重化的网络中检测社团结构，我们推广模块密度函数D到权重形式（WD），并优化权重的模块密度函数到谱分聚类形式及权重的核聚类形式，同时，证明了基于权重化的模块密度函数的谱分聚类方法和核聚类方法在数学上的等价性，利用这种等价性，提出了一种新的基于特征向量核聚类检测复杂网络社团方法，并对算法的时间复杂度进行了分析。该方法能在边与顶点同时权重化的复杂网络中检测社团结构，并且比直接的谱分聚类方法或直接的核聚类方法检测社团更加准确。（4）针对复杂网络结构特点，提出了一种新的半监督核聚类检测网络社团算法。通过半监督聚类HMRF模型对模块密度函数D进行了半监督聚类优化，同时论证了模块密度函数的半监督聚类与核k-means方法的等价性，同时基于模块密度的核算法也被提出来，在此基础上提出了一种新的半监督核聚类检测复杂网络社团算法。在经典的计算机产生的网络和已知社团结构的真实世界网络上同其它方法进行了比较，实验结果表明，该方法比未加入半监督的算法具有较高的准确性。本文研究复杂网络中心性度量及社团结构检测相关算法，这些方法能帮助人们理解复杂网络的构成，功能特性及对复杂网络控制、预测、变化、演化具有现实的指导意义，从而为各领域研究人员针对具体问题制定更加可行的方案。