基于统计模型的动态复杂网络分析已经在社会学和生物学等如今主要的研究领域都引起了广泛的关注。在这些领域中,个体之间的相互作用可能会发生大规模并且系统性的变化。复杂网络中无论是节点的聚类划分或者识别具有影响力节点都对于探索分析复杂网络中的潜在结构以及网络所具备的各种性质都具有重要意义,这样的研究工作已经取得了一定成果并且逐渐受到各个行业领域的重视和应用。复杂网络含有两个特点:（1）含有无法观测且影响个体相互作用的潜在因素变量;（2）在复杂网络中个体交互往往是变化且持续的,导致复杂网络成为动态网络。本文主要完成了以下几方面关于聚类分析的创新性研究内容:本文主要使用面板计数模型来分析动态网络数据,通过具有离散时间观测值的复发事件过程来拟合节点对的瞬时交互。本文在随机块模型（Stochastic Block Model,SBM）基础上,拓展了一种对面板计数数据离散观测的动态网络社区发现方法。其中在动态网络随机块模型中,将个体持续且随时间变化的交互用离散观测的方式视为“瞬间链接”,即在特定时间内节点累计复发链接的次数和链接时间用复发事件来建立模型。关于复发事件面板计数数据的研究,本文提出了考虑协变量信息的半参数比率模型的一种乘积性强度函数模型。本文模型的参数估计将分为复发事件部分和网络参数部分。模型中参数并不是相互独立而是环环相扣的。但是不可观测的潜在变量的存在会导致文章中的参数很难做到直接使用传统的极大似然估计方法去估计。因此,在复发事件模型中,建立累积事件观测次数的条件似然函数并利用类似期望最大化（Expectation Maximization,EM）算法的自相合算法和估计方程组来完成复发事件参数估计;接着采用变分期望最大化（Variational Expectation Maximization,VEM）算法即使用变分近似的方法代换潜在变量的方法估计模型中网络部分参数以及得到它们具体迭代公式。在现实生活中,社交网络中的观测对象因为各自具备不同的协变量信息,导致他们之间发生交互的情况各不相同。如小学生面对面社交网络数据中,学生的所在年级与性别不同都会使得学生之间的交互发生改变。针对于社区数量的确定,在本文中介绍了两种方式:贝叶斯信息准则（Bayesian Information criterion,BIC）和似然函数法。为了简便处理,在实证分析中,此章节采取似然函数方法来确定最大对数似然函数值下的最佳社区个数。本文利用所提出的模型进行仿真模拟,以此来评估本模型的性能。主要评估本模型在不同样本量以及不同强度函数下的生成网络的社区的划分效果以及各参数的估计效果。本文在数值模拟中分别计算调整兰德系数（Adjusted Rand Index,ARI）以及不同样本量的全局ARI来评估本文模型方法对社区的划分效果。结果表明样本量越大,模型中估计的基线强度函数更加接近其真正的曲线,社区划分的效果也更加准确。最后,本文运用基于复发事件的动态网络随机块模型对小学生面对面社交网络数据进行社区发现。实证分析中通过可视化的方法显示聚类社区划分结果。该实证通过构建节点隶属情况等展示了模型的划分结果。并在实例验证中将其中3个班级聚类为4个社区成功估计出其交互的强度函数与对应参数。