对复杂网络的研究既是复杂系统研究的切入点,又有助于理解如社交网络、电力和交通网络、生化反应网络等复杂系统的鲁棒性、演化规则、信息传播等特性。在复杂网络研究中,刻画拓扑性质的网络模型是理解其本质规律的重要手段和工具。同时,用网络中存在的社团结构对网络进行分解可以简化网络的复杂性;研究社团结构的形成也可揭示网络的动力学原理。本文的主要工作包括:第一,在本文提出的基于兴趣向量的网络演化模型中,社团结构是受到网络中各节点对不同领域的兴趣偏好驱使,而自发形成的。模型将每个节点对各领域不同的兴趣程度作为节点的内在属性,并记为兴趣向量。由于各节点兴趣向量不同,而又呈现一定的聚集性,从而导致社团结构的形成。这种社团结构的形成机理与现有模型相比有更好的理论解释。第二,本文提出的支持动态网络的测试基准图快速生成算法,是一种可以生成一系列随时间变化的网络快照的算法,并带有社团结构信息和数据。测试基准图可以生成贴近真实网络的模拟数据,将其应用于对社团划分算法的测试,以评价社团划分算法的划分质量和速度。本测试图算法相比于现有的测试图,支持动态数据生成,同时保持了同样的生成效率。第三,通过对动态演化模型和动态测试图算法过程的总结,本文提出一种动态网络生成框架,以提高开发效率。框架针对演化模型的优先连接选择过程,提出称为优先连接池的数据结构。该数据结构允许进行复杂的权重计算,并保持低时间和空间复杂度,从而使各类演化模型实现为动态测试图成为可能。在上述模型和算法的实验和测试中,数值模拟证实了模型的理论分析结果,根据参数设定的不同,兴趣向量模型的度分布情况介于幂律分布和指数分布之间。这样的分布模式与现实复杂网络情况更为接近,而Barabási–Albert模型只能描述其中一种有限的情况。对于测试图算法,本文使用多种社团划分算法对其进行检测,并与真实数据对比,结果显示测试图算法被各类划分算法所识别,同时具有一定的区分度。