复杂网络是当今最热门的领域之一,无论是在学术界还是工业界,人们都十分关注复杂网络的研究进展。复杂网络研究的重要性体现在它提供了一套有力的解决问题的工具。复杂网络与动力学相结合,又将复杂网络的研究内容进行了扩展。在动力学复杂网络的研究中,网络重构是一个前沿课题。网络重构是指通过网络系统的输出时间序列,推测出网络结构的过程。这里的结构一般包括网络节点的局部动力学和网络节点之间的相互作用。在实际系统中,往往不能先验地知道网络的真实参数,而对网络连边进行直接探测常常很困难,可能付出相当大的成本。如果能够从系统的输出时间序列来推测系统的结构,将会极大的方便人们对系统的研究和控制。而且,现在正处于大数据时代,数据无时无刻都在不断的产生和积累,给网络重构问题的深入研究提供了广阔的空间。在实际系统中,噪声无处不在,这是因为没有纯粹的孤立系统,系统总是或多或少的受到噪声的影响。噪声会使得系统原本的运动轨迹发生改变,从而使得网络重构变得非常困难。除了噪声带来的困难以外,复杂网络重构的挑战还在于真实的系统中存在的非线性。正是因为非线性的存在,许多实际系统体现出了非常强的复杂性。除了系统本身的非线性,重构问题的解决还受限于测量手段。例如,不能够测量到系统的所有变量（存在隐藏变量）,采集数据的频率较低（测量频率较低时,由测量到的点组成的相图不能刻画动力学变化的细节）。当系统受强噪声影响、系统的非线性和测量手段的限制等因素交织在一起时,解决网络重构问题就变得非常困难,是非常具有挑战性的。本论文聚焦于强噪声影响下的网络重构问题,主要取得了如下进展:（1）对于在低频测量下受到强噪声影响的非线性动力学网络,提出了基于扩展变量和最佳平方逼近（Variable Expansion and Least Squares Approximations,VELSA）的重构方法。VELSA 方法的核心思想在于以下三点:将原系统的非线性变量扩展为“扩展系统”的变量,从而将原系统线性化;通过计算变量的关联来解耦变量与噪声的相互作用,降低噪声的影响;通过线性化方程积分的解析求解降低重构方法对测量频率的要求。在高斯白噪声作用下,该方法可以从非线性动力学变量的时间序列推断网络节点的非线性动力学、节点之间的连接权重、以及高斯白噪声的统计特性。并且对方法的误差来源进行了理论分析,最后通过数值仿真实验对方法进行了验证。数值仿真结果和理论结果相吻合,方法的有效性和鲁棒性得到了充分的证明。（2）对于可以主动控制的网络,提出了随机状态变量重置（Random Variable Resetting）方法重构两个节点之间的耦合函数。通过随机重置一个目标节点的状态变量,探测响应节点和目标节点的耦合作用。重置所有节点的变量,可以重构这些节点之间的全部连接。随机状态变量重置是一种主动的方法,它的核心思想是通过随机重置目标节点的状态变量,使得目标节点对响应节点作用的动力学等效为平均作用耦合函数及其波动。因为对目标节点进行了随机重置,所以波动与目标节点的变量之间没有相关性,此时就可以通过VELSA方法或是高阶关联方法（High-Order Correlation Computations,HOCC）进行重构。讨论了当理想中的随机状态重置不能实现,改变状态变量的速度对重构结果的影响。数值仿真实验验证了随机状态变量重置方法的有效性。（3）在不同的已知条件下,讨论了含有隐藏变量网络的重构问题。隐藏变量是指系统中探测不到或者很难探测的变量,有时甚至不知道它的存在。对于系统隐藏变量,由于科学研究的先验知识的积累,可能已知它们的统计信息,或者已知隐藏变量可以近似看成一个线性系统。在这些条件下,对于隐藏变量对于系统的动力学的影响进行积分,从而使得问题变为可以从可测变量的时间序列求解。对于隐藏变量一无所知的情况,通过向系统注入高斯白噪声,使得可测变量之间的作用增强、可测变量与隐藏变量之间的相互作用相对减弱至可忽略,从而得到可测变量组成的子网络的网络结构。通过数值模拟实验的方法讨论了各种因素对于方法准确度的影响。