近十几年以来,复杂网络理论的异军突起和强力发展给人们提供了观察世界、理解世界的新视角和新工具。而事实上,绝大多数现实世界的复杂性系统,包括社会系统、信息系统、生物系统、经济与金融系统、电力与交通系统等,都可以经过时间和空间上的抽象加工,建模为网络的结构,因此,复杂系统上存在的许多问题,都可以运用网络科学的理论定量地描述和解决。网络的重要节点是指与网络中的一般节点相比,对复杂网络的结构和功能发挥重要作用的那部分少量特殊节点。显然,挖掘复杂网络中的重要节点与网络的演化、传播、同步与控制息息相关,对网络鲁棒性与可靠性的提高也有着重要意义,因此,复杂网络中重要节点挖掘的研究有着重大的理论意义与广泛的实用价值,一直以来都是网络科学领域的研究重点和热点。本文介绍了复杂网络重要节点挖掘的两个重要课题,节点重要性排序和影响力最大化问题,主要开展了以下工作:首先,我们从网络的局部性质出发,提出了一种结合节点邻居的度及节点自身的聚类系数的全新的中心性方法CLD(Clustered Local Degree),对网络中所有节点的传播能力进行评估和排序,并通过大量实验证明CLD方法在分辨率和相关性两个评价指标上均较同类中心性指标表现出了更加良好的性能。其次,我们对基于网络社团结构的影响力最大化问题进行研究,提出一种全新的启发式框架挖掘传播初始种子节点集。网络划分社团之后,在每个社团中运用CLD方法选出初始种子节点集进行传播,并与用CLD方法排序的出的初始种子节点集进行传播影响力比较,选取两个经典的社交网络传播模型IC和LT进行实验,大量实验结果证明经社团划分之后运用CLD方法选出的种子节点集能够影响网络中更多的节点,并且在节点激活阈值一致的情况下使信息更易扩散。值得一提的是,CLD方法不含参数并且时间复杂度较低,更适合应用在相对密集的网络上。