得益于计算机和互联网技术的进步,不断涌现的海量数据使得大规模网络的研究成为可能。具有代表性的社会网络、技术网络和生物网络研究有力地推动了网络科学的发展。研究表明不同类型的网络有着相似的结构特征且表现出相近的动力学过程,其中疾病爆发、信息扩散等传播现象成为动力学研究的热点。为了更好地利用或控制传播过程,通常对网络的少量个体采取免疫保护措施。而这些传播行为均与网络结构密切相关,因此探究信息的传播扩散和底层网络结构的关系具有重要意义。本文从实证和理论两方面研究了网络结构对传播行为的影响,随后将相关研究成果应用于网络结构预测。主要研究内容如下:1.在线社交网络上的用户实证传播行为研究。通过追踪信息的传播路径,研究了 Twitter和Brightkite网络上的信息扩散过程。实证结果表明,不同网络中真实事件的传播概率和传播速度在短时间内爆发性增长,且最大传播概率和最大传播速度之间总是存在明显的时间差。基于此,提出了具有时变传播概率的易感-感染(Susceptible-Infected,SI)模型,并引入平均场(Individual mean-field)方程结合真实网络结构解释了时间异步性的原因。此外,通过实证分析还提出了节点阈值和度负相关的线性阈值(Linear threshold,LT)模型。真实网络的实验结果表明:以上两种模型能够重现实证传播的时间异步性特征。2.网络的传播临界阈值与免疫策略的相互关系研究。有效的免疫策略能够提高临界阈值以抑制病毒或有害信息的传播。基于易感-感染-易感(Susceptible-Infected-Susceptible,SIS)模型的平均场方程,提出了一种通用框架以评价不同免疫策略的性能。该框架描述了当免疫节点被移除后剩余网络的临界阈值,其理论结果表明:大度节点具有重要的传播影响力,它们在度不相关的异质网络中表现出最佳的免疫性能。进一步的,模型网络和真实网络中的解析数值和仿真结果具有较高的一致性,虽然实证结构特征对实验结果造成一定误差,但所提出的方法依旧能够有效评价不同策略的免疫效果。3.研究了节点的演化趋势及其在网络结构预测中的应用。少量节点在网络传播和结构中具有重要影响力。首先根据节点的演化特征评价了其相对活跃程度,并结合网络固有结构特征强调了活跃节点在未来时刻的结构重要性和对连边的吸引力。在此基础上提出了基于节点活跃性的结构扰动方法来预测网络的动态结构(未来连边)。此外,还根据网络谱分析提出了一种快速算法,该方法只考虑了表征网络结构的少量重要特征,同时具有较低的时间复杂度和较高的预测精度。相比于经典的链路预测算法,基于节点活跃性的结构扰动方法在网络动态结构预测的精度和鲁棒性方面有着明显的优势。同时,连续时间网络中的结果也表明快速算法在实际应用中的广泛前景。本文的研究成果加深了对传播内在机理、传播控制策略和结构演化的认识,有助于进一步理解传播动力学和网络结构的相互影响,同时也可应用于社交推荐、线路规划等领域。