识别蛋白质相互作用网络中的复合物和功能模块对于理解生物系统的组织和功能具有重要的意义。随着高通量技术的发展,大规模蛋白质相互作用数据可以获得,从大规模蛋白质网络中挖掘蛋白质复合物正成为当前生物信息学研究的热点。然而,由于蛋白质网络中存在假阳性和假阴性以及蛋白质复合物拓扑结构的不确定性,所以,在蛋白质网络中准确高效地挖掘蛋白质复合物还存在很多挑战。针对这些问题,本文主要在蛋白质网络重构和复合物识别算法设计方面进行研究,主要研究工作包括:针对目前能够获得的蛋白质相互作用数据存在较多噪声,直接从蛋白质网络中挖掘蛋白质复合物具有很大局限性这一事实,本文结合蛋白质网络拓扑信息与基因本体数据,提出了两种重构蛋白质网络的加权方法,即AdjustCD+GO和CD-distance+GO。选取了四种复合物发现算法和两个数据集DIP和Krogan进行实验,比较分析了本文提出的两种加权方法与其它两种加权方法(即AdjustCD和GO方法)的去噪性能。实验结果证明,本文的两个加权方法比其他两个加权方法去噪能力更强,能够更好的提高算法的特异性(Sp)、敏感度(Sn)、综合评价(F-score)。基于本文提出的加权方法AdjustCD+GO以及复合物的拓扑特征,提出了一种基于加权网络的、核心-外围复合物识别算法PCALG(A Novel Protein Complex Identification Algorithm Based on the Integration of Local Network Topology and Gene Ontology)。在数据集DIP和Krogan上,与其它六种现有复合物识别算法,在五个评估指标,敏感度(Sn)、特异性(Sp)、综合评价(F-score)、覆盖率(Coverage rate)、p-value上进行比较。实验结果表明,PCALG算法能够更准确的识别蛋白质复合物,尤其在特异性、综合评价以及p-value评估指标方面明显优于其他算法。