复杂网络是现实系统的抽象表示方式,是一种图结构,其中顶点代表实体,边表示实体之间存在联系。这样的抽象方法所生成的网络往往是静态的,导致复杂网络相关研究主要关注于拓扑结构特征,而往往忽略了其动力学结构。然而,复杂网络的形成是各种相互作用(信息交换)的结果,这些相互作用一般是有一定强度、方向的,并且往往是有源的。物理学中,这样的相互作用方式可以由场概念来描述,场方程则具体描述场的产生与传播过程。因此,通过赋予复杂网络以场结构,就可以还原网络中相互作用过程,从动力学角度理解复杂网络。基于以上理由,我们将物理学中以空间为研究背景的场理论推广到复杂网络结构中来,根据物理学中场理论的基本原则及思想构建了复杂网络上的场模型,为理解复杂网络以及解决其上的相关问题提供了新的视角和手段。基于所构建的场模型,本文进一步研究了当今复杂网络科学中的两个热点问题：社团挖掘和链接预测。考虑到现有大部分社团挖掘算法基于网络静态结构,而忽略了社团结构可能包含的动态特性,我们从社团是网络上的基本功能单位和组织结构这个意义出发,意识到社团结构有利于相互作用(信息介质)的快速传播,通过模拟相互作用在网络“虚拟场”中的流动传播过程进行社团结构检测,赋予社团检测过程以时序性,提出了基于场模型的社团挖掘算法IFA (Information Flow Algorithm)。该方法不仅提供了一个有效的社团检测手段,同时也模拟了网络上信息传播的动力学过程。对比经典社团检测算法,在标准仿真测试集以及现实网络数据集上的实验表明,所提出的社团挖掘算法具有较好的社团检测能力,为复杂网络上的场模型的合理性以及社团挖掘相关应用的可行性提供了支持。在链接预测问题中,经典预测方法通常关注静态拓扑结构以估计节点相似性,极少考虑到网络上动力学过程对相似性的影响。我们考虑了网络上可能发生的相互作用过程,通过建立“虚拟场”使相互作用(信息介质)在网络中传递,认为两节点间相互作用越强,两节点间产生链接的可能性越大,并提出了基于场模型的GFlow和LFlow (Global Flow and Local Flow)预测算法,算法同时模拟了信息在网络上流动的过程。在现实复杂网络数据集上的实验显示,基于场的预测算法具有良好的预测能力,尤其在某些特殊类型的网络上,所提出的预测算法表现出较为一致的性能,为场模型的合理性提供了有力的支持。