大脑的工作往往需要各个区域之间的相互协作,形成脑网络从而完成复杂的认知任务。脑网络的拓扑结构和节点重要性是脑网络的研究重点。分析脑网络的拓扑结构有助于分析不同状态下脑网络的拓扑变化,而节点重要性有助于疾病的定位和脑功能区域的识别。为了解决传统节点重要性方法的不足,本文提出一种新的计算有权网络节点重要性评价算法,即加权K-阶传播数法。该方法是从疾病传播方式抽象而来,将网络的局部特征和全局特征相结合,最终可以得到节点的重要性结果。为了验证加权K-阶传播数是否能够对网络节点重要性做出有效的评价,对生成的典型网络和公开的具有真实物理意义的网络进行仿真实验分析。对生成的10节点对称网络进行节点重要性计算;本文提出的算法能够很好的识别出桥节点的重要性,得到的节点重要性更加合理;同时基于节点蓄意攻击的方法对Facebook论坛网络、美国500个最繁忙的商业机场网络、非美国机场路由网络和科学馆的访客网络进行分析,本文算法只需要移除少量节点便可实现对网络结构充分破坏。在对加权K-阶传播数算法的有效性进行了验证后,本文基于相位锁定值对正负向情绪的脑电信号生成了有权的脑网络,并对网络拓扑结构和节点重要性差异进行了分析。对节点重要性研究发现,在各个节律下正负情绪脑网络的拓扑结构和节点重要性都存在着明显的差异,在Beta节律和Delta节律下网络拓扑结构存在着显著的差异;在Alpha节律和Theta节律下,大脑的边缘的节点均存在重要性反转的特点。最后,本文将网络拓扑结构和节点重要性特征进行融合设计了多模态融合的情绪识别算法模型。实验结果表明,基于网络拓扑结构和节点重要性多模态融合算法相比于单一模态在识别准确性上有着明显的优势。值得注意的是,本文所提出的加权K-阶传播数法不仅使用与脑网络,还可以探索其他有权网络的重要性。