近年来,随着城市智能化建设,复杂网络的应用越来越广泛。随处可见的复杂网络,如交通网络、电网等,为我们的生活提供了极大的便利。复杂网络中的关键节点和社区发现对于信息扩散、疾病控制、险情恢复等具有非常重要的作用。随着网络规模不断扩大,一些传统的关键节点和社区发现算法由于时间复杂度高以及网络全局信息不易获取等原因难以适用于大规模复杂网络。经典的关键节点识别方法虽然能在一定程度上识别关键节点,但也存在着局限性,此外将社区发现问题与聚类分析结合研究还有潜在空间。因此,如何更加精确高效地识别关键节点和发现社区结构仍然是一项重要的研究课题。本文基于复杂网络理论,综合考虑了网络的局部信息与位置属性,提出了节点熵的概念,并在经典算法基础上提出两种改进的关键节点识别方法。鉴于社区发现算法和聚类算法有一定的关联,本文将聚类作为辅助手段用于社区发现,提出了改进的社区发现算法。本文的主要研究内容包括以下三个部分:(1)提出了基于局部属性的结构洞节点检测算法ESH。原始的结构洞约束系数虽然可以找到桥节点,但约束系数相同的节点的重要性无法区分。加入考虑局部信息后,在新系数的计算中同时体现了节点的局部属性和位置属性。该方法避免了原结构洞约束系数相同节点重要性无法区分的情况,并且计算量小,适用于大型网络。(2)提出了基于节点熵的改进的K-shell算法IKS。K-shell为同一层中的节点分配了相同的重要性,研究表明拥有最大核的节点可能不是超级传播者,节点在网络中所处的位置也是一项至关重要的因素,并且K-shell挖掘得到的核心节点呈现典型的“富人俱乐部”现象。基于避免“富人俱乐部”的思想,IKS根据网络节点的节点熵大小,迭代选取每一核层的节点,从而避免传播影响的重叠,实现更好的传播效果。(3)分析了社区发现与聚类算法的关联性,用网络表示学习将网络转换到数值空间后,基于(2)中的节点排序算法选取初始中心节点,提出了基于网络表示学习的社区发现算法K-clustering。从真实网络的仿真结果可以看出,K-clustering算法不逊色于其他基准社区发现算法。