随着网络时代的高速发展,真实世界中产生大量具有复杂关系且隐含重要信息的网络数据。挖掘网络数据中丰富的信息,对于网络分析具有重大意义。网络表示学习是一种在保持网络基本性质的基础上,通过映射函数将网络节点以一种低维稠密的向量形式表示的网络分析方法,这种向量表示结果可以应用于节点分类、推荐等网络分析任务,具有重要的研究价值。近年来网络表示学习取得巨大成就,在学术及工业界获得极大关注。现有方法大多可以将网络中单一粒度的结构及属性信息有效保留。但是,在真实世界中,网络中节点不仅包含丰富的属性信息,大多数复杂网络中还体现多粒度特征,在保留节点属性信息的基础上提取网络的多粒度特征可以更好地描述复杂网络。然而,已有方法很少在考虑网络所有节点属性基础上提取到网络的多粒度特征。本研究立足于网络表示学习,在考虑节点属性的基础上,引入网络的多粒度特征,更好地表示网络,提高网络分析任务中节点向量表示的质量。本文主要内容如下:（1）针对目前网络表示学习方法很少同时保留网络全部节点属性信息及多粒度特征的问题,提出一种基于属性连边的多粒度网络表示学习方法（MGAL）。该方法通过属性连边融入节点属性信息,并通过拼接多个不同粒度网络信息获得原始网络的多粒度特征。具体而言,首先,通过属性连边将网络的属性信息以连边形式加入原始结构网络,生成一个融合网络。然后,通过粒化构建一系列由细到粗的不同粒度属性网络。最后,分别学习各个粒度网络的节点表示,并拼接不同粒度网络表示,获得体现网络多粒度特征的节点向量。在多标签节点分类上结果表明,所提方法有利于提升网络节点表示质量。（2）针对属性网络中存在的多粒度特征难以挖掘的问题,提出一种基于节点聚类的跨粒度属性网络表示学习方法（CG-ANRLNC）。该方法通过节点聚类保留节点属性信息,通过跨粒度信息融合获取网络多粒度特征。具体地,为保留网络中节点属性信息,分别基于网络结构及属性关系对节点聚类,对两个聚类求交集将结构及属性同时相似的节点提取。通过粒化得到一系列不同粒度的属性网络,提出一种跨粒度信息融合策略,利用网络粒化过程即可实现网络信息从最粗层到原始层的递归传递,融合不同粒度信息,完成跨粒度节点表示学习。实验结果表明,该方法可以构建不同粒度属性网络,并实现信息的跨粒度融合,最终提高节点向量表示质量。