随着网络科学理论的发展,网络已经成为了一种有效描述数据之间关联性的语言,网络建模分析也广泛运用于各种数据分析场景,成为一种高效的建模分析手段。其中,网络建模分析任务中使用机器学习方法是一种流行且高效的手段,有效的网络表示是实现机器学习方法的关键。目前,基于静态网络的表示学习方法已经基本成熟,但是更多的实际数据是随时间变化的,这样具有动态演化性的数据用网络语言描述就是节点、边都随着时间不断变化的动态网络。对这种具有鲜明动态演化性质的网络进行有效表示学习是目前网络表示学习关注的重点。本文目的是提出有效的动态网络表示学习的方法,将动态网络映射为低维向量表示,同时能够保持网络的拓扑特征以及时间上的演化特性。为此,设计并实现了一种新的动态网络表示学习模型,该模型基于关键子图相似性将动态网络中每一时刻对应的网络快照转换为新的目标网络节点,利用图卷积获得新的目标网络节点表示,即为原始动态网络的网络快照表示。研究内容主要分为三部分,第一部分网络关键点探索研究,设计一种有效的网络节点重要性度量方法,为抽取动态网络时间片中关键子图奠定基础。实验中通过模拟网络中的流行病传播效应评估了关键节点发现方法的有效性。第二部分在第一部分内容的基础上,利用动态网络中关键节点及其子图结构变化程度刻画出动态网络的演化相关性。第三部分,利用动态网络演化相关性将动态网络建模为具有演化特性的静态“超网”,并利用基于图卷积建立超网节点表示学习框架,得到网络快照低维向量表示。本文的主要创新体现在以下两个方面:1、提出一种快速度量网络中节点重要性的算法;2、提出一种基于关键节点及其构成的子图刻画动态网络中网络快照相关性的方法,并将动态网络所对应的时间序列转化为基于子图相似性的网络快照构成的静态网络,从而将动态网络的表示问题转变为对新的静态网络的表示问题。本文在多个动态网络数据上进行监督学习和无监督学习任务,实验结果证明了本文提出的动态网络表示学习框架的有效性。特别地,本文建立了动态网络自编码框架用于无监督的动态网络变点检测任务,建立动态网络监督学习框架对fRMI数据建模进行精神分裂症判别。与目前主流的方法相比,本文提出的动态网络表示学习方法在无监督学习任务上和监督学习任务上算法性能均有显著提升。