复杂网络分析已经成为现如今主要的研究领域,它的应用范围已覆盖各个行业,从社会学到生态学,从生物学到互联网等等.复发网络中的节点聚类划分或者具有影响力节点的识别对于探索分析网络的潜在结构以及网络所具备的功能具有重要意义,这类的研究工作已经取得了一定成果并且逐渐受到各个行业领域的重视和应用.对网络的研究大多是基于一个静态图,静态图要么来自于所有时间的数据聚合,要么作为特定时间的数据快照.然而,这样的研究方法往往忽略了网络化数据中聚类的一个重要特征——节点的聚类群体随时间变化,忽略了聚类的演化.因此针对上述问题,本文主要完成了以下几方面关于聚类分析的创新性研究内容:本文在Yang et al.（2011）和Matias and Miele（2017）所提出的动态随机块模型（Dynamic Stochastic Block Model,DCBM）的基础上,拓展了一种对面板计数数据研究的基于复发链接和网络快照的动态网络随机块模型.其中动态网络随机块模型是一个引入马尔可夫转移概率矩阵来刻画每个时间快照上网络中的节点的聚类社团结构变化状态的随机块模型;关于重复链接面板计数数据的研究,本文提出了考虑协变量信息的半参数比例率模型的一种乘性强度函数模型.对于本文模型的参数估计,将其分为复发部分和网络其他部分两部分.但是模型中参数是环环相扣的,即模型中的参数之间并不是相互独立的,那么直接利用常规传统的极大似然估计方法去估计参数可行性是不高的.因此,在复发模型中,建立事件观测累积次数的条件似然函数并利用类似期望最大化算法（Expectation Maximization Algorithm,EM）的一致性算法和估计方程来完成参数估计;接着按照变分期望最大化算法（Variational Expectation Maximization Algorithm,VEM）来的方法估计模型中其他的参数,从而得到各参数的具体迭代公式.在现实生活中,社交网络中的观测对象因为各自具备不同的协变量信息,影响他们之间发生来链接的情况.如法国高中生面对面社交网络数据中,学生的所选择的课程,性别等等.在本文的实证研究当中,由于本文模型没办法处理聚类社区数量变化的问题,因此本文假设聚类社区个数保持不变.针对于聚类社区数量的确定,在本文中介绍了两种方式:贝叶斯信息准则（Bayesian Information criterion,BIC）和似然函数法.为了简便处理,在实证分析中,此章节采取似然函数方法来确定最大对数似然函数值下的最佳聚类社区个数Q.本文利用所提出的模型做数值模拟,以此来评估本模型的性能.主要评估本模型在不同样本量以及不同时间快照数量下的生成网络的聚类社区的划分效果以及各参数的估计效果.本文在数值模拟中分别计算每个时间快照下的调整兰德系数（Adjusted Rand Index,ARI）以及不同样本量和不同时间快照数量下的全局ARI来评估本文模型方法对聚类社区的划分效果.结果表明,时间快照的数量越多,样本量越大,模型中强度函数的估计效果也好,聚类社区划分的效果也更加准确.最后,本文运用基于复发链接的动态网络随机块模型对法国高中生面对面社交网络数据做节点聚类,进行实证分析,并通过可视化的方法显示聚类社区划分结果.该实证通过构建节点隶属情况等展示了模型的划分效果.