当代科学技术的飞速发展和日益复杂化,使得学者发现新知识、提出新理论的难度与日俱增,致使研究人员需要掌握的知识和技能日益增加,学术合作成为突破科研难题的新态势。科研团队逐步成为研究人员的主要组织形式,团队成员之间的合作有利于学者之间优势互补,促进科研成果的传播,改善地域之间科学的不平衡发展。然而,学者之间合作产生的动机、学术合作的成功模式、科研团队的组建机制等能有效促进科学难题突破的学者行为机制尚不明确。本文基于较为完整的领域学术数据,分领域、分层次构建了子研究领域的科研合作网络,分别从宏观、介观、微观三个视角分别对合作网络的科研合作重要性、科研团队模式以及学者合作模式进行分析与建模,本文取得的主要研究成果以及创新之处在于:1)提出了基于局部拓扑结构的学者学术独立度以发现核心科研团队,为探索科学团队构建机制提供了基础。基于组织行为学、团队管理理论中的科研团队特性,提出基于自中心网络的学者学术独立度作为判断学者是否为其团队核心成员的依据,由此将从合作网络中识别核心科研团队的任务拆解为两部分:团队核心成员识别和科研团队检测。在识别科研团队核心成员时,发现少数学者发表了大量论文且这些论文获得了其他学者的大量关注,佐证了科研合作网络中的帕累托现象。在仅由全部学者的30%所构成的核心成员网络,34个计算机视觉科研团队中的大部分“领导”、“成员”都可准确识别,说明该算法可以精准识别科研团队中的核心成员。在团队检测任务中,提出了一种基于局部相似性的标签传播方法,在不需要设置所检测团队规模、数量的前提下充分考虑了学者的研究兴趣,所识别的团队保持了较好的团队紧密性。2)提出了一种多视图图聚类算法,有效提取了图级结构特征,为探索科研团队表现与拓扑结构的关系提供了基础。以科研团队拓扑结构为基础,基于图的密集子图提出了基于α-Quasi Cliques的多视图图聚类模型,对同一科研团队的不同视图下的拓扑结构进行图层面的特征提取,实现了无监督图结构聚类。在对仅使用科研团队的拓扑结构进行聚类时,不同类别中高影响力团队与低影响力团队所占该类团队总量的比例不尽相同,部分类别呈现出高影响力团队或低影响力团队的聚集现象,由此说明团队结构影响着科研团队的整体影响力。3)将合作者推荐简化为同构网络中的链接预测问题,提出了一种基于路径的概率估计模型,有效利用了网络中路径的结构信息。针对现有的链接预测算法对节点间多条路径的信息累积聚合所产生的结构信息丢失问题,提出了一种基于路径的概率估计模型来估计任意两个节点之间的可达概率,以预测网络中节点产生连边的概率。以可达概率的定义为基础,从网络社区的视角,定性分析了社区内部节点和社区间节点的连通性。理论分析结果表明,社区内部节点之间的链接的可预测性较高,并在人造数据集（Multi-barbell网络）和真实网络数据（Lesmis网络）得到了验证。考虑到模型的实用性以及算法的计算效率,使用基于邻接矩阵和转移矩阵的迭代式算法以模拟不同长度的路径,实验结果表明该模型优于对比算法。4)提出一种动态异构信息融合的学者特征嵌入模型,有效融合了异构网络中的拓扑结构信息和实体的属性信息,实现了合作关系价值性和存在性的同时预测。本文通过分析整理科研合作网络中多种实体之间的关联关系,提出基于动态异构网络的学者特征嵌入模型,在提取异构实体属性的同时考虑了合作网络的拓扑结构特征。此外,通过协同优化的方式优化模型,实现了在进行合作者推荐的同时预测科研合作潜力,同时预测了合作关系的存在性和价值性。为了提高模型的泛化性以及实用性,以滑窗法构建的时序合作异构网络随机输入对模型进行训练。经过实验分析表明,融合不同类型的实体信息能有效提升模型的预测精度,且在合作者推荐任务上的分类精度比图神经网络算法、异构图神经网络算法提升了3%以上,在合作潜力预测任务中也取得了最低的测试误差。本文以介观视角下的科研团队发现、微观视角下的合作关系预测作为主要研究点,以复杂网络的视角重新定义并识别了核心科研团队,探索了科研团队与其拓扑结构的关系,在为学者推荐合适合作者的同时能预测产出成果的等级,全方位、多视角探索了科研合作网络中的合作模式,可以广泛应用于论文推荐、学者推荐、学术搜索等任务中,从而有效促进学者之间的合作交流。