近年来随着复杂网络的快速发展,如何在海量用户信息中寻找感兴趣的信息变得十分困难。传统的网络研究通常面向结构单一的同质网络,重点考查网络内部的性质与特点;但大多数应用面对的是从现实世界中抽离得出的蕴含多种类型节点与多种类型链路关系的异质网络,结构与语义关系都十分复杂。异质网络模型能更理想的展示现实世界的原貌,也更符合我们对现实世界的认知,通过对异质网的挖掘分析,我们可以得到更丰富和更准确的网络内在关系。基于元路径的方法研究对于异质网的发现与分析是一种有效的重要手段。异质网络中节点之间通过多种路径连接组成复杂的链路关系,而元路径可以对其进行明确的表示与度量。研究元路径语义信息对于分析异质网和挖掘异质网中更深层次的信息具有重大的作用与意义。本文主要由异质网构建和不同语义类型的元路径选择与计算,实现对异质网中节点进行分类与社区发现,主要工作如下:1)基于元路径的节点间相似性计算及元路径权重学习。利用不同元路径语义信息度量异质网中节点相关性、构造节点间相似矩阵,主要分析了元路径的权重影响因素,并提出了基于元路径相似性对元路径权重进行自主学习的方法。2)基于元路径的异质网节点分类。本文利用元路径构造特征矩阵对异质网中的节点进行分类,为解决矩阵稀疏问题,加入了跳转路径扩充异质网;利用随机森林算法训练分类器,融合多种元路径提升分类性能。3)异质网中基于元路径的社区发现与节点影响力计算。本文提出了在异质网中基于元路径语义的社区发现算法,并分析不同种类的元路径对社区发现的影响;最后对于社区中重要节点的发现进行研究,分别提出了基于加权合作关系与排序规则的科研人员影响力计算方法,并进行了实验的验证。实验结果表明,使用本文提出的基于多语义元路径的分类算法能够有效的对异质网中的节点进行分类,在应用元路径权重自主学习的算法后,分类准确性提高,性能优于传统分类算法。在社区发现应用中,本文提出的基于元路径语义分析的算法能够有效的对社区进行划分;基于排序算法的科研人员影响力计算方法能够有效识别网络中的重要节点。