近年来,复杂社会网络的相关研究备受关注,尤其是网络中关键节点分析问题。在复杂社会网络规模不断扩大、维度不断增加的同时,中心性、K-shell以及Pagerank等现有算法在准确度、效率和适用性方面越来越不足以胜任,如何精准高效地分析出复杂社会网络中的关键节点是论文研究的核心问题。论文从复杂社会网络规模的角度引入,选取影响力较高的指标对关键节点进行研究与挖掘,从而实现对复杂社会网络的理解、控制、保护以及预测,具有重要的研究意义和应用价值,论文主要工作与创新点如下:(1)针对当前算法在分析不同规模大小的复杂社会网络中关键节点,存在或是牺牲精确度,或是牺牲效率的问题,提出了一种柔性的对策来分析复杂社会网络中关键节点:1)针对中小规模网络的关键节点分析,提出了点权中心性算法提升了节点分析的精确度;2)针对大规模网络使用层次化的方法进行分析,既保证关键节点分析精确度,又提高了其分析效率。(2)针对中小规模复杂社会网络中的关键节点分析间题,提出了点权中心性算法。该算法综合考虑目标节点的入边权重及其邻节点的出度,定义了节点的加权度,并与目标节点的个体影响力相结合,实现了节点的重要度的量化,从而提高了中小规模网络中关键节点分析的精确度。此外,论文还对该算法的稳定性进行了详细的分析,对相同数据集下不同量级的数据设计对比实验,总结出它对大规模网络提供优质节点数据集的研究意义。(3)针对大规模复杂社会网络中的关键节点分析间题,论文引入关系强度的概念,并从静态和动态两个角度对其进行建模,紧接着提出了 NodeRank算法,该方法对大规模网络进行层次化分析,挑选出网络中优质节点以降低网络规模,然后基于PageRank的思想,考虑节点间的连边权重,对这些优质节点进行重要度计算。最后,论文通过仿真实验验证了上述两种方法的结合应用,既能保证复杂社会网络中的关键节点分析的精确度,又提升了其分析效率。