复杂网络科学是分析复杂系统的一种重要工具,它将复杂系统内部元素间的关系抽象成节点和边,建立起一套处理它们的普适性方法。复杂网络在人类学,社会学,人工智能,神经科学,通信工程,软件构架等领域都非常常见,人类社会活动的网络化驱使我们去认识与研究各种人工或者天然的复杂网络。随着科技的发展,客观世界的海量数据向我们涌来,分析与可视化这样的网络面临着巨大的挑战,因此研究网络中重要的节点与关键的骨干结构能帮助我们更好地认识网络的特性。复杂网络中重要节点的影响力度量是网络信息挖掘中的关键问题,少数的初始节点就能影响绝大部分节点。传统的重要节点识别方法仅考虑单一因素影响,具有一定的局限性。本文提出了一种基于位置信息,拓扑结构和边重要性的多尺度中心性(Multi-Scale Centrality(MSC))的度量新方法。该方法融合了多样性因子影响,在K-shell分解的基础上根据节点与其位于不同k核层的邻居间的关系构建外连边尺度衡量节点的位置信息,克服了同层节点重要性无法被区分的缺陷。又结合具有结构洞特性的节点相对其邻居节点的信息传播和控制优势,对节点的重要性更进一步地作区分。最后根据边的可替代性衡量边重要性,并依据边对其相连节点的重要性贡献构造多尺度中心性算法模型。经与SIR疾病传播模型在真实网络模拟的结果进行对比,验证了本算法可行性和有效性。而网络骨干结构的抽取可以帮助我们更好地理解网络的结构,这些问题通常可以通过删减节点或者边的冗余信息来解决。与节点和边相比,模体是网络中的更高阶的组织结构,它是复杂网络的基本构成单元。通过分析复杂网络中的显著模体与模体边强度,本文提出了一种新颖的模体h骨干网络方法来抽取有向网络的功能性核心结构。通过研究发现,网络中边的模体强度服从长尾分布,并且不同的显著模体的边强度分布差异很大,那些出现次数较少的模体边强度相对较小,因此其功能的重要性往往会被忽视。在本文提出的模体h骨干方法中,边的模体h强度在模体的规模和从该模体中抽取的边的强度之间提供了一个平衡,在测量不同显著模体功能重要的骨干边的同时还照顾到小规模模体,此外h桥也保留了具有结构重要性的桥接边。模体h骨干在简化了网络的同时又保留网络的主体功能。研究表明,本文所提出的多尺度中心性算法可以有效地识别出在网络中起到关键作用的影响力节点,而模体h骨干方法又提供了一种独特的视角来探究高模体强度的边及其分布,帮助我们更好地理解网络的功能结构。