在蛋白质相互作用网络(Protein-Protein Interaction,PPI)上识别蛋白质复合物和功能模块对理解细胞组织和预测蛋白质功能具有重大的指导意义。迄今为止,已有大量的研究关于在蛋白质相互作用网络上挖掘这两者,提出了很多聚类算法。然而,大部分算法都将蛋白质网络视为一个静态图,忽略了现实生物细胞中蛋白质网络内在固有的动态性,并且多数算法对蛋白质复合物与功能模块缺乏严格的界定。因此,在动态蛋白质网络上进行分析,研究挖掘高效蛋白质复合物与功能模块的算法是非常有必要的。本文在分析总结现有研究成果的基础上,提出了基于动态网络上的蛋白质复合物识别算法DCA(Dynamic Core-attachment Algorithm)和功能模块识别算法SCAIA(Stable Core and Adaptive Incremental Algorithm)。在DCA中,蛋白质复合物具有核-附属的二级结构,本文定义复合物的核是频繁地出现在动态子网上的稠密蛋白质团体,在整个蛋白质网络上基于密度局部搜索方法,结合动态网络的拓扑结构得到核集。接着分别在核所活跃的子网上为其添加附属节点来构成蛋白质复合物。为了评估DCA的性能,本文对比了七种在动态或静态网络上比较经典的复合物挖掘算法。结果表明,DCA预测的蛋白质复合物具有更高的准确性和功能富集性。功能模块与蛋白质复合物不同,它具有非常鲜明的动态特性。SCAIA对动态网络的每个时序子网分别进行聚类得到静态模块,这些静态模块就是功能模块在演化过程中的不同时间段对应的静态映射。静态模块也具有核-附属的二级结构,这里根据不同的特性将核划分成稳定核与新增核。本文同时引用增量相关算法,即根据前一个子网的聚类结果局部调整相邻下一个子网上的模块划分,避免了对整个子网的重新聚类。最后对所有子网上的静态模块采用模糊匹配生成功能模块演化链,从而得到功能模块。实验结果表明,SCAIA预测的功能模块更加准确和稳定,也能够很形象的反映功能模块演化的过程。