网络是指相互之间可能具有连接的节点集合,可以简化表达错综复杂的系统或独立物体之间的关联性。网络的概念普遍存在于社会学、生物信息学、物理学、数学、计算机科学等各个学科中,网络的静态拓扑结构作为网络研究的重要研究内容,主要围绕网络区块结构的识别与分析展开。网络结构中各个区块包含的节点数目不同,节点之间存在任意的连接,使得区块与区块之间也存在任意的连接,且其连接数目也不同。由于网络结构固有的复杂性,现有的网络结构划分方法都专注于社区结构或层级结构等单一的网络结构,即社区内连接紧密、社区间连接稀疏的区块结构,制约了网络结构的实际应用价值。现实生活中的网络数据,由于数据采集过程中的数据遗漏或数据本身的原因,网络中或多或少都存在噪声,即网络中存在一些行为表现异常的数据点。这些异常数据有别于其他大部分节点,不遵循特定规律,它们占的比例虽小,但却很大程度地影响着网络属性与区块结构划分结果,而人们对异常数据的多少是一无所知的。本文针对上述存在的问题提出一种新颖的鲁棒随机块模型和一种有效的学习算法RSBML,可以在不受异常数据的干扰下,准确地划分出隐含在网络中的区块结构,包括区块大小任意、区块间连接情况任意的网络结构。本文通过区块连接概率灵活描述网络节点的连接模式与复杂多样的网络结构,并将噪声视为网络数据中的一部分,量化表达异常数据的随机性。在整个区块结构划分的过程体现异常数据的干扰,使得模型在保留所有可能的区块结构的基础上,鲁棒于异常数据。本文利用KL偏差(Kullback-Leibler divergence)改写网络对数似然函数形式,从而得到观测数据对数似然函数的下界(lower bound),采用变分贝叶斯(variational bayes)方法得到模型参数联合分布的后验概率分布。通过最大化观测数据对数似然的下界,求解模型参数所服从的分布和异常向量,从而划分网络结构。此外,本文利用人工网络数据验证鲁棒随机块模型的结构划分能力、灵活性、鲁棒性与规模性,并与其它6个算法进行对比,通过5个不同网络结构、不同领域、不同规模的真实世界的网络进一步验证鲁棒随机块模型的结构划分能力,实验结果表明本文模型优于其他6个对比算法,验证鲁棒随机块模型的实际应用价值。