在图挖掘领域，动态演化图挖掘与分析的价值受到了越来越多的重视。数据挖掘的首要任务是获取并存储数据，但现有的图存储与查询平台都是针对静态图的，并不能记录图的时序演化过程。因此，本文研究了演化图的优化存储模型和检索方法，设计实现了一个能够支撑大规模动态演化图在线存储的系统。该系统能够以近实时的方式捕捉图的整个演化过程，并提供良好的查询能力。论文的主要工作如下：　　通过研究动态演化图的基本理论及其经典的表示模型，基于日志文件模型与邻接表结构，设计了一个存储冗余度与查询性能综合较优的存储模型。针对该模型在快照重建阶段存在的性能瓶颈问题，提出了基于日志消解的优化重建方法。　　同时，针对在线社交网络平台中普遍存在的局部查询请求，提出了一种基于重建局部查询视图的优化检索方法。该方法基于1度Ego网络来构建查询视图，尽可能地减小检索快照的重建规模，从而间接地提高此类查询的响应性能。　　为了能够以近实时的方法获取某些高速更新网络的演化过程，设计了一种基于哈希分组的并行更新算法来加快图更新的速率。该算法通过限制顶点移除与边增加这两个事务的并行执行来保证图更新过程的一致性，同时严格约束实时图查询事务与图更新事务的先后次序来保证查询结果的正确性。　　在完成上述理论研究的基础上，设计并实现了一个大规模动态演化图的在线存储系统—DynamicGraphDB，并利用LRU算法解决了系统在运行过程中存在的大图缓存溢出问题。　　为了验证理论研究和系统设计工作的正确性和有效性，本文使用真实的Twitter和DBLP数据集模拟了现实世界中的网络演化过程，从演化图存储与查询的正确性、存储效能比、图更新操作的吞吐率、局部查询视图的规模与查询时延等五个方面进行了详细的实验评测。结果表明，优化的存储模型不仅能够正确地存储与查询演化图，同时相较经典日志文件模型的实现，在存储效率和查询性能方面具有更好的综合优势。整个系统经过基于哈希分组的并行更新算法优化后，在多核计算机上能够取得明显优于单线程顺序更新策略的吞吐率。而针对在线社交网络平台中广泛存在的局部查询请求，基于重建局部查询视图的快照检索策略能够有效地降低查询视图的重建规模，从而间接地提高了此类查询的响应性能。