复杂网络的影响力节点度量和影响力最大化技术已成为近年来网络科学领域的热点问题,该项工作对控制疾病爆发、提升广告效应、优化信息传播效果、挖掘社交网络影响力个体等均具有重要的实际意义。目前影响力节点的度量主要通过邻域、位置、路径等网络拓扑结构来定位对信息传播起重要作用的节点。例如度中心、介数中心、接近中心、Katz中心、K核中心等经典中心度量方法已被广泛应用于识别网络影响力节点,然而这些方法大多相互独立、并且忽视了信息传播规律对影响力节点度量的作用。针对上述讨论,本文融合了复杂网络拓扑结构和传播动力学机制,分别从网络传播和病毒控制两个角度提出了影响力节点的度量方法;同时进一步研究了影响力最大化算法,结合覆盖和折扣策略,高效地解决了分布式种子的选取问题。全文主要工作概括如下:(1)从网络传播角度提出了一种基于路径多样性的核度中心影响力度置方法。不同于K核分解粗略定位核层最大的个体作为影响力节点,该方法综合考虑节点位置和局部邻域信息、结合传播动力学机制、在K核分解基础上引入路径多样性信息熵进行影响力传播节点的探测和评估。在Jazz网络、C.elegans网络、Email网络的实验表明,相对于度中心、介数中心、接近中心、K核中心、核度中心,本文的路径多样性核度中心方法能够更精确地对影响力节点进行定位,并且更细粒度地对节点影响力进行有效排序。(2)从病毒控制角度提出了一种基于跳数的介数中心和接近中心影响力度量方法。该方法首先给出了一种不带免疫修复策略的病毒离散传播模型,该传播模型可以描述病毒传播的动态演化过程和节点微观状态。在1000个节点规模的人工无标度网络和人工小世界网络实验表明,相对于传统的度中心方法,介数中心和接近中心能够对病毒抑制和早期传播起到更加有效的控制作用,同时也验证了网络社区结构将对信息全局传播起到一定负面作用的观点。(3)提出了一种基于2阶邻域重叠效应的影响力最大化算法。在独立级联模型基础上引入有限传播距离概念,从传播动力学角度提出了一种传播距离有限的独立级联模型LDIC,该模型证明了采用2 阶邻域定位种子节点的有效依据。由此提出了一种2阶邻域影响力折扣启发式算法NIDH。该方法每次选取种子后对2阶邻域内的节点影响力进行折扣计算,从而弱化种子周边节点的传播影响力,促使种子选取尽可能分散;并且NIDH算法引入每条边的激活概率来计算节点的传播影响力。两个有向网络NetComm和Celegan的实验表明,NIDH能够更精确地选取分布式种子节点。(4)提出了一种基于核度中心的影响力最大化算法。该算法每轮选取当前轮次核度最大且未被覆盖的节点作为种子,然后对相同核层内的邻居进行覆盖、对核外邻居的核度进行折扣计算;由此提出了一种基于核度覆盖和折扣的启发式算法NCCDH。该算法利用高核层节点间彼此紧密聚集的网络特征,有效阻止高核层内拥有较多共同邻居的节点被同时选为种子,并且对核外边缘位置的度大节点给予合理评估。在规模较大的Hamsterster网络、Ca-GrQc网络、COND-MAT网络实验显示,感染概率逐渐增大时,NCCDH相比于其他算法在SIR模型取得了更大的传播范围、在SI模型取得了更快的传播速度;更重要的是该算法具有较好的时间复杂度。