模块(也称社团)结构是复杂网络的重要特征,研究模块结构有助于理解网络的组织机制,对网络的功能分析和行为预测有重要意义。大脑也是一种复杂系统,通过大脑成像数据构建的脑网络可将大脑的工作过程抽象为网络的拓扑结构,研究其模块结构可帮助探索大脑的运行机制。本文的主要工作是研究复杂网络的模块发现算法,并根据脑网络的特征分析其模块化结构,具体包括以下几个方面:首先,标签传播算法(LPA)是一种简单、高效的模块发现算法,但是,其划分结果不唯一,且当模块结构比较模糊时,LPA算法会将所有节点划分到同一个模块。基于LPA的基本思想,本文提出了基于相似性的LPA改进算法,即分步LPA-S算法,并定义了新的模块结构评价函数。仿真网络和真实网络的测试结果表明,与原算法相比,分步LPA-S算法的准确性更高,并且可以避免产生无意义的划分结果。其次,大脑网络模块化结构是随时间动态改变的,但现有脑网络模块化方法只能解决静态网络的划分。针对这个问题,本文提出了一致性网络模块化方法,通过滑动窗提取血氧水平依赖(BOLD)信号中的动态信息,然后用一致性算法将动态的模块结构整合成一个优化结果。实验结果显示,与静态模块化方法相比,该方法的结果更符合大脑的运行机制,且能充分发掘不同网络中的共同模块结构。对比健康被试和阿尔兹海默症(Alzheimer’s disease,AD)被试可得,一致性结果符合AD的病理机制和临床症状,且能有效地对独立测试样本进行分类,具有很好的辨识能力。最后,有研究表明大脑的各种组织单元在不同层次相互传递信息,从而完成大量精细复杂功能。为了探索脑网络的多尺度模块结构,本文采用一种层次聚类算法—LEGClust算法,将邻接矩阵作为脑区的输入特征,对脑网络进行层次性的模块划分。仿真网络验证了LEGClust算法的可行性,脑网络测试结果验证了大脑具有层次性模块结构,且该结构对于脑网络的稳定和脑区间的协作具有重要意义。