当前全球生态系统生物多样性呈现严重降低趋势。由于物种间的相互作用构成了复杂的食物网,食物网中的某些物种或某些结构的变化很可能会对食物网的稳健性造成影响。因此,准确的识别出食物网中哪些物种或哪些结构对食物网的稳健性影响显著,有助于我们在进行生态系统维护过程中确定食物网优先保护顺序以及物种保护的优先等级,使有限的资源尽可能的得到最有效的利用。本研究首先,以来自Catlins河流的食物网为研究对象,用邻接矩阵表示食物网中的作用关系,通过聚类分析和模拟删除实验分析节点与连接稳健性之间的关系,同时提出食物网中关键种的判定方法;其次,以收集到的全球358个食物网为研究对象,以Python和R语言为操作环境,对食物网结构指标进行描述性统计分析;最后,分别建立Lasso回归模型和机器学习模型,分析连接稳健性的影响因素并对连接稳健性进行预测。主要研究结果如下:(1)358个食物网的网络结构指标中节点数量、连接密度和定向连接数的频数集中分布于中间几个分组范围内,且第一个分组频数值较小,连接密度分布服从幂律分布定律;平均距离频数与直径频数具有相似的分布,第一个分组范围频数均为最大值,其余分组频数相差不大;连接数量频数与边介中心度频数分布相似呈现逐组递减;三个中心度的频数分布中中介中心度整体小于度中心度、度中心度整体小于紧密中心度;已有经验食物网研究中陆生和淡水食物网居多。(2)去除关键种对食物网的连接稳健性有很大的影响,不同的去除方式对连接稳健性也会产生不同的影响,随机去除方式下,去除节点数量增加时,连接稳健性呈先减后增的趋势;降序去除方式下,连接稳健性先波动式下降,后逐渐增加;升序去除方式下,连接稳健性基本呈缓慢降低趋势,之后急剧降低。随机去除方式下,连接稳健性会出现最小值,且最小值对应的节点数约为节点总数的1/4,由此我们提出1/4节点假说,即物种数目处于物种总数的1/4时,食物网连接稳健性最低。(3)Lasso回归模型和回归树、随机森林、人工神经网络、集成学习等机器学习模型结果显示节点数量、连接数量、连接密度、平均距离、中介中心度、紧密中心度和边介中心度等指标对连接稳健性影响较大,五个模型中集成学习模型的均方根误差最小且R~2最大,说明该模型拟合效果最好,可以采用stacking集成学习模型对连接稳健性进行预测。本研究为关键种的判断、连接稳健性影响因素的判断以及连接稳健性的预测提供重要思路。