随着复杂网络小世界特性和无标度特性的发现,复杂网络研究已成为一个热门的研究领域。实际网络包含众多节点,但由于网络的异质性特征,不同节点在网络中所起的作用不同。对复杂网络节点进行重要性综合评价,探究网络影响力最大化问题,不仅具有理论意义,而且在许多领域有极大的应用价值,如疫情控制、广告投放、通讯网络保障、预测热门研究成果以及蛋白质交互等。本文的研究从两个层次展开。首先,综合考虑网络中的多个中心性指标,对各中心性指标从主观和客观两个维度合理赋权,将多属性决策理论中的经典方法VIKOR引入到网络节点的综合评价中。其次,对给定的复杂网络及其信息传播模型而言,如何寻找信息传播初始的节点集合,使得最终被影响的节点数目达到最大化,本文兼顾了节点的重要性和分散性两个维度,用H指数来刻画节点的重要性,用最小距离来描述节点的分散性,提出了基于拓展聚类的Top-k重要节点识别方法。主要研究工作如下:1、提出了基于组合赋权VIKOR的节点重要性排序方法(CW-VIKOR)。赋权是多指标评价方法的关键步骤,对识别关键节点具有重要影响。而现有的多指标重要节点评价方法多从单一维度确定指标权重,具有一定的局限性。基于此,本文综合考虑主客观两个维度,提出了一个权重优化策略。VIKOR方法是多属性决策的常用方法,充分考虑了决策者的主观偏好,首次将其拓展应用于复杂网络领域,提出了组合赋权VIKOR方法。实验证明,CW-VIKOR方法可以有效识别网络中的重要节点。2、提出了基于拓展聚类的Top-k重要节点识别方法(HD-Cluster)。针对Top-k节点既重要又分散的属性,本文采用聚类的思想将节点分成不同的类,将每类的中心作为Top-k关键节点。每个集群由中心节点领导,不同集群中心之间重叠影响较小。由于聚类方法对初始中心选择较为敏感,本文提出了基于节点影响力和分散度的初始中心优化策略,可以合理地选择初始种子。在四个不同类型网络中的实验证明,HD-Cluster方法可有效识别网络中的多个关键节点。本文从多指标视角对网络节点的重要性进行综合评价,提出了CW-VIKOR方法和HD-Cluster方法。与已有的几种方法相比,CW-VIKOR方法和HD-Cluster方法均表现出更好的性能。研究工作在挖掘网络信息方面具有重要的理论意义,也能较好地应用于实际网络,具有潜在的应用价值。