在复杂网络研究领域,重要节点的识别是一个热点问题。针对不同结构的网络及在网络上演化的不同类型的动力学过程,重要节点的识别结果往往会有较大差异。网络传播中的重要节点是指那些能够极大促进信息在网络中大范围传播,或者当其免疫时,能够有效抑制信息在网络中传播的节点。许多传统识别重要节点的算法多是依赖网络单一结构特征。因此,这些算法大多只适用于某种特定拓扑结构类型的网络,它们在普适性方面具有较大的局限性。本文以复杂网络的传播动力学和网络的拓扑结构为基础,运用强化学习方法在复杂网络中挖掘重要节点,主要完成了以下三个方面的研究:第一,本文提出了一种基于强化学习的影响力最大化种子节点选择算法。该算法从机器学习与网络科学结合的角度出发,以独立级联模型为基础,研究了复杂网络上的影响力最大化问题。具体地,该方法将消息传播网络的状态映射成网络的特征值,从而将复杂的网络拓扑信息转化成规则数据并作为强化学习的输入数据。在该方法中,充分考虑了网络拓扑结构对传播过程的影响。大量的数值模拟实验证明,该算法在不同结构的网络上能够选出影响力最大的节点或节点集作为种子节点。第二,本文提出了一种在线社交网络上基于强化学习的谣言传播最优控制算法。该算法基于谣言传播的特性,针对谣言传播网络状态提出一个全新的表征方式。同时,也充分考虑了网络拓扑结构对谣言传播过程的影响。该算法能够在谣言传播网络中选出最重要的节点集作为免疫节点。在大量合成网络和真实网络上的仿真结果表明,该算法能够有效遏制谣言传播者数量并有效延缓谣言爆发的时间。这个工作有助于人们了解谣言的传播机制,并能够协助舆情管控部门维护健康的舆论环境。第三,我们通过筛选法检验了本文提出的网络状态表示方法的有效性,并进一步确认了基于粗粒化思想得到的特征组合。为了确认不同特征对模型学习效果的影响程度,我们以谣言传播者规模和延缓爆发时间作为参考指标,通过筛选法逐一验证,并在合成网络和真实网络上对模型训练进行了大量的数值模拟。实验表明,我们所选取的特征组合能够有效地表示网络状态,并具有较高的准确性。