20世纪末,复杂网络取得了高速的发展,复杂网络广泛应用于经济学、生物科学、信息科学等各个领域。而在博弈论中引入复杂网络,为研究群体中个体之间的行为建立了一个极好的框架。复杂网络上的博弈主要围绕两个方面:网络拓扑结构和策略选择机制展开研究。本文针对经典的囚徒困境博弈,分别从网络拓扑结构以及博弈个体的策略选择机制出发,对复杂网络上的囚徒困境博弈进行了介绍。首先介绍了复杂网络上的博弈的两个基础理论:复杂网络和博弈论。针对复杂网络介绍了复杂网络理论的发展、描述网络特性的网络参数和复杂网络模型。而对博弈论则介绍了博弈理论发展、Nash均衡、囚徒困境博弈以及演化博弈。然后介绍了囚徒困境博弈下的两种不同策略选择机制:基于模仿学习和基于记忆的自我学习机制。并在复杂网络上提出了一种新的动态拓扑囚徒困境博弈算法,该算法使网络在博弈过程中拓扑结构也在不断变化,实现了网络拓扑和博弈动力学的共演化。并用Matlab进行仿真,采用动态拓扑博弈算法时,发现如下结果:网络节点度的最大值变小,且度最大值随着背叛诱惑值增大而减小;大于网络平均度的节点数增多;在采用基于记忆自我学习机制时,度数为1的节点的合作比趋向于0,度大于1的节点的合作比趋向于1;在采用基于模仿学习机制时,与静态拓扑的囚徒困境博弈相比,动态拓扑囚徒困境博弈算法网络的合作水平较高。最后对全文作了总结,并对以后的工作进行了展望。