复杂网络作为近十年兴起的一门交叉性学科，受到来自不同领域研究工作者极大兴趣与广泛关注。对于社会学、计算机科学、生物学、神经学、经济学等诸多领域而言，借助复杂网络的理论研究方法进行定量分析和定性解释，有助于揭示复杂网络背后所代表复杂系统存在的普遍规律，具有十分重要的科学指导意义。在复杂网络研究课题中，传播动力学因与其人类生命健康及社会公共安全等问题密切相关，成为学术界持续的研究热点。　　采用复杂网络的理论知识与传统的传染病学相结合的方法已成为研究传播动力学的主要趋势。但是，目前动力学模型研究忽略了网络的社区结构在传播过程中所起的影响作用，以及复杂的人类接触行为对流行病传播的显著影响，难以再现流行病传播时空斑图及预测性。另一方面，实际网络规模巨大，其结构可能局部已知甚至完全未知，限制了传统免疫策略的有效性和适用性，降低了社区网络上传播核心节点的排序准确性。因此，本论文针对以上几点，基于实际网络和模型的实证分析，分别研究了中尺度结构特征以及人类接触行为对流行病传播及舆论传播过程内在影响的机制，寻找关键机理，探究社区网络上流行病传播感染可测性问题；进一步挖掘社区网络上的传播核心节点，提出有效的免疫算法，提升控制措施的干预能力，为社区网络上流行病爆发的防控提供理论依据和科学参考。　　首先，针对复杂网络上流行病传播的预测性研究，基于不同接触行为在非社区网络结构的环境下，本文采用了感染密度可变值来代表传播过程的预测性。此外，在社区结构环境下，引入了传播源与桥节点间的距离这一随机因素，分析了传播过程中感染密度可变值的变化情况。通过分析实验结果不难发现：中尺度社区结构在传播行为的早期阶段，带有随机性。造成该结果的原因，在于感染可变值与距离具有正关联性，即距离越远，感染可变值越大，感染可测性越低，从而证明了传播的准确预测从本质上是难以实现的。　　其次，针对社区网络结构未知，本文提出了一种桥中心点局域发现免疫算法。该算法利用了自避免随机游走过程发现并免疫网络桥节点及桥大度邻居。一方面，游走过程中朋友圈与当前节点邻域的重叠度，能够识别当前节点很可能属于桥节点；另一方面，根据社区网络上弱连接度数分布的异质性，发现桥节点的一个随机桥邻居很可能是一个桥中心点。实验结果，说明该自避免随机游走的免疫算法，能够有效地提升社区网络上流行病传播的免疫效果，同时也验证了该算法具有一定的适用性和鲁棒性。　　进一步，本文讨论了如何挖掘社区网络上传播核心节点，提出了一种结合局域社区内部与外部的位置重要性的排序算法。该算法借鉴了k-壳分解排序算法的思想，利用了社区网络上弱连接度数分布的异质性，同时找到了节点在局域社区内部与外部的位置，计算并获取了节点在社区网络核心位置的排序结果。实验结果证明，该算法有效地利用了弱连接度数异质特征，提高了社区网络上传播核心节点排序结果准确性，同时具有鲁棒性。　　最后，在前述关于预测、免疫及排序等问题的基础上，为了加深并理解中尺度结构对于传播动力学时空斑图的影响，本文以重大舆论事件作为研究背景，运用了统计物理等方法，定量地分析了中尺度为代表的区域与传播动力学之间相互作用及影响变化。通过实证分析结果，发现：(i)区域舆论传播在分布上具有一定的异质性，但是，传播速度的齐普夫分布变化小，这揭示了区域对舆论的关注程度在传播过程中具有趋同演变态势；(ii)舆论在传播过程中受到来自社会层面和经济层面等显著影响；(iii)有针对性地对经济发达或教育程度高的区域进行舆论控制，能够有效地引导传播的发展态势以及增强社会舆论的良性控制。