现实世界中,许多大型系统都可以抽象为复杂网络系统,很多网络系统都具有社团结构。节点角色分析是复杂网络分析的核心要素,过去对于复杂网络的研究中,往往将节点角色分析归结为节点在网络中的重要性分析,很多学者从网络的整体特征考虑提出了不同的重要性指标。社团发现作为复杂网络研究的基本手段,在过去十多年中也有了长足的进展,特别是基于模块度的算法及其变形得到了广泛的应用。本文结合社团发现和节点重要性分析的方法,开展复杂网络中节点角色分析方法研究,力图更有效地识别出复杂网络中节点的角色。由于复杂网络中社团结构的存在,对于只在社团内部重要的节点,传统的节点角色分析方法往往不能有效识别。本文针对此问题首先使用社团发现的方法对复杂网络进行划分,然后再对节点角色进行分析,能够更全面地挖掘出网络内的重要节点。此外针对模块度算法的运行效率低和局部最优的问题,本文提出一种基于社团标签融合的模块度算法,并在模拟数据上做出验证,结果表明,算法在运行效率和准确性上都有所提升。最后本文通过抓取实际的社交网络数据构建话题传播网络,并使用社团发现的方法对传播网络内用户角色进行分析,总结出一种基于多层社团划分的分析方法。本文主要工作介绍如下:(1)提出了基于社团发现来进行节点角色分析的方法,并且针对实际的社交网络-知乎,抓取其用户和话题信息,分析其数据特征,构建出话题的传播网络,使用多层社团划分的方法对话题传播网络中用户进行节点角色分析,并以此来识别用户在实际网络中的角色,推断社交网络中用户的相互影响关系。(2)提出一种基于社团标签融合的社团发现算法。该方法中,以社团整体融合来代替原有模块度算法中的节点融合,以提升运算效率;同时引入聚类系数来优化局部最优解,提升划分结果的准确性。(3)实现了一个社团发现算法仿真平台,集成了不同的社团发现算法和评价方式。此平台既可以生成小世界网络和无标度网络,利用仿真数据分析算法在不同网络条件下的运行状态;同时也可载入固定格式的真实数据进行分析研究。