在我们的现实世界中,许多复杂系统都可以建模成一种复杂网络进行分析。近年来,复杂网络的结构和功能受到越来越多的关注。随着复杂网络规模的不断增长,理解网络的拓扑结构和功能变得越来越困难。因此,过滤网络的冗余信息和表征网络结构的方式变得具有挑战性。在这种情况下,研究复杂网络的核方法以及提取复杂网络的骨干可以简化网络的表现形式,帮助我们理解与统计网络的拓扑结构和功能。现有的研究大多重视复杂网络中连接模式的统计异质性,如网络的低阶结构:边和点,这导致了网络中很多有价值的功能信息被忽略。同时,已有大量研究揭示了网络的结构和功能可以通过一些网络的高阶结构设计原则来体现。因此,在本文中,我们分析传统的复杂网络的核方法和网络骨干提取方法的局限性,提出了一种基于高阶结构Graphlet角色相关性的网络的核方法和两种基于高阶结构Motif提取网络的功能性骨干的方法。本文的主要工作包括以下两个方面:第一,提出一种基于Graphlet角色相关性的复杂网络的核方法GRK。首先,通过分析得出网络的Graphlet角色相关性与网络的拓扑结构和功能息息相关。在这个基础上,我们提出了一种新的正定核方法GRK并对其进行定义。首先通过统计网络中每个节点对应的Graphlet角色的数量来生成相应的Graphlet角色度矩阵。然后,基于网络的Graphlet角色度矩阵计算Graphlet角色的Pearson相关性来定义一个正定核方法GRK。最后,我们应用GRK核方法到支持向量机中对5个标准的生物信息学数据集进行分类预测来验证核方法的性能,结果证实GRK核在分类上要优于一些传统的核方法。第二,提出两种基于Motif的网络功能性骨干的提取方法:一种是基于Motif的全局阈值方法(Motif-GT方法),另一种是基于Motif的差异过滤方法(Motif-DF方法)。首先根据标准化显著性特征值SP分析识别网络中显著性的Motif结构集,再对网络中的边附加Motif权重。Motif-GT方法通过设置全局阈值提取有效边,而Motif-DF方法则是基于零假设过滤网络中节点和边来提取网络骨干。我们应用我们的方法在四个真实世界的网络上,通过分析一定边比例下的网络骨干大小和三种表征网络功能的度量来分析评估方法的性能。