大数据时代,海量数据中蕴藏着潜在的、具有重大价值的信息与指示,亟待研究开发有效的数据分析方法对其进行高效利用。数据的存储方式多种多样,其中关系型数据是最为普遍的存储方式之一。本文即以关系型数据为研究对象,运用复杂网络的理论与方法对关系型数据进行分析,并重点针对数据网络化,数据关键特征发现以及数据对象评估开展研究,具体如下:第一,针对关系型数据的网络化问题,提出了一种基于数据特征的网络构建方法,可有效发现数据关键特征。在该特征网络中,数据特征被抽象为节点,数据对象在两数据特征下的类别概率被抽象为节点之间的连接,该特征网络可有效指导发现海量数据对象中蕴藏的不同数据模式。进一步,通过节点重要性排序,再对重要节点进行Logistic回归,可找到数据中的关键特征。基于医疗数据的分类实验结果表明:由于网络结构相对于数据特征取值更鲁棒,数据特征网络方法能够发现影响数据分类的关键特征,数据分类效果更好。第二,针对数据对象评估问题,提出了基于网络适应度模型的数据对象评估方法。如何对数据对象进行客观有效评估,始终是值得持续深入研究的问题。本方法借鉴复杂网络中适应度模型来建模数据对象的演化过程,并基于实际观察引入网络节点的删减机制,建立了通过网络适应度对数据对象进行评估的方法。基于研究生学位数据的实验结果表明:文科与理工科导师的适应度分布表现出显著不同的模式,并且此种模式还揭示了若干有趣的人力资源现象,有望为数据对象评估提供一种新的参考。