随着信息科技的迅猛发展,人类社会迅速步入了网络时代。复杂网络已经渗透到现实生活中的各个领域,复杂网络中的关键节点挖掘和社团结构发现对于研究复杂网络的拓扑结构、性质以及一些隐秘性规律具有重要意义,本文针对复杂网络的关键节点挖掘和社团发现进行研究,其主要贡献如下:1.构建一种基于多属性的复杂网络图模型针对传统复杂网络图模型不能完全刻画真实复杂网络中行动者之间联系的多属性、动态性等特征的问题,本文设计并实现了一种基于节点连接边属性的复杂网络图模型。以图理论为基础,采用节点表示行动者,边表示行动者之间的联系,综合考虑连接边的属性多样性及网络动态特性,建立了复杂网络多属性图模型,并讨论了多属性图模型的动态特性,最后以实际网络为例展示了多属性图模型的建模过程及与真实网络的高吻合性,为复杂网络的关键节点挖掘研究建立基础模型。2.提出一种基于优化结构洞的关键节点挖掘方法针对目前大多数关键节点发现算法没有兼顾桥节点以及桥节点本身的多样性,造成评价结果具有片面性的问题,本文设计并实现了一种基于优化结构洞的无向加权网络关键节点挖掘方法。(1)在复杂网络多属性图模型结构基础上,考虑网络中节点之间的通信属性,建立无向加权网络图模型;(2)结合结构洞理论,综合考虑节点的邻居数量及其与邻居间的拓扑结构,通过定义节点邻接度和二次邻接度来衡量邻居节点对其的重要程度,并以此测量网络中优化的网络约束系数并通过排序发现网络中处于重要位置的关键节点。实验结果表明,本文的方法比基于节点的度、介数、接近度等其它方法更准确、有效地发现无向加权网络中处于重要位置的关键节点。3.提出了一种基于归属度标签传播的社团发现方法目前基于标签传播的社团发现算法存在很多不确定性和随机性,并对复杂网络的结构鲁棒性低,影响社团发现的准确性和稳定性,本文提出并实现了一种基于归属度标签传播的社团发现方法。(1)提出一种新的节点重要性衡量标准对节点标签进行重要性排序,在标签选择更新阶段按照重要性排序进行节点标签的更新,从而减少了对节点随机排序造成的“逆流”现象的产生;(2)提出一种新的标签归属度计算方法进行节点标签的选择更新。实验结果表明,与原始LPA算法、LPALC算法、LPA_SI算法等相比,本文的方法在接近线性时间复杂度的情况下明显提高了社团发现的质量,且具有很好的稳定性。