复杂系统广泛存在于我们的现实生活中,数学解析方法很难去分析和揭示它们的动态行为。复杂网络是对复杂系统的抽象描述,是非线性复杂系统研究中关注的热点。多相流系统是一种典型的非线性复杂系统,其流型以及各个流型之间的转换机制尚未十分清楚。大脑也是一个高复杂度的非线性复杂系统,如何提取脑电信号内在特征,实现不同脑区信息的融合,对揭示大脑动态行为具有重要意义。针对上述问题,本文提出了几种复杂网络多元信息融合理论方法并将其应用在多相流和脑电信号的分析中,主要创新工作如下:1)提出了小波多分辨率复杂网络以融合油水两相流动信号。对实验测得的油水两相流动信号进行小波多分辨率分解,计算特征向量之间的距离构建加权网络。然后利用加权平均聚集系数和加权平均最短路径长度刻画生成网络的拓扑结构。结果表明,该方法能够揭示不同分辨率下不同水包油流动模式转变的混沌和非线性流动行为。2)提出了小波相对熵复杂网络分析疲劳驾驶多元脑电信号。对两种状态(正常和疲劳)下模拟驾驶实验中采集的脑电数据构建有向加权网络,获取其与脑网络特性相关的内在特征和有效特征。计算平均小波熵,并与网络统计指标相结合形成特征向量,通过Fisher线性判别分析实现不同状态的分类。结果表明,该方法能够有效地提高疲劳驾驶脑电信号的分类准确性。3)提出了传递熵复杂网络对不同脑认知状态下的脑电信号进行分析。设计了受试者在不同心算难度下的脑电信号采集实验,计算不同通道间的传递熵构建有向加权网络,通过加权平均聚集系数实现对网络拓扑结构的刻画。结果表明,该方法能够有效地揭示不同心算难度下大脑的动力学行为和不同脑区之间信息流通程度。