复杂网络与人类生活的方方面面息息相关。识别关键节点簇对挖掘复杂网络中的有用信息至关重要。关键节点簇可以实现对整个网络的控制,这对抑制疫情扩散、加速信息传播和推广新产品等都具有重要战略意义。本文以复杂网络理论为基础,研究了多种识别复杂网络中关键点簇的算法,并针对“双胞胎节点”现象和“相消干涉节点”现象分别提出了两种新的识别关键节点簇的方法,具体内容如下:(1)针对“双胞胎节点”现象,本文提出了一种基于最大连通组件分解的多个关键节点识别算法(Maximum Connected Component Decomposition Method,MCCD)。该算法综合考虑了节点的不同拓扑属性,并将其与最大连通组件分解相结合。MCCD可以识别出对网络影响较大但不是最重要的关键节点。因此,MCCD识别的关键节点簇其挖掘阻碍较小。论文在4个实际网络中对Susceptibility-Infection-Recovery(SIR)传染病模型进行了实验研究,分析了本文提出的算法以及7种基于中心和启发式算法的性能。实验表明本文提出的算法无论在传播速度、传播范围还是识别的关键节点簇分布范围均表现优异,并且有效地避免了“双胞胎节点”现象。(2)针对“相消干涉节点”现象,本文提出了一种基于广义折扣度与K-Shell的一组关键节点识别算法(Generalized Degree Discount Heuristic and K-Shell,GDDKS)。该算法提出了广义折扣度和节点度的概念,并将广义折扣度与K-Shell算法相结合来识别一组关键节点。GDDKS考虑了关键节点簇的整体影响力,可以识别出一组对网络影响较大且分布范围广泛的关键节点簇。论文在6个实际网络中进行了SIR传染病模型的实验研究,分析了本文提出的算法以及10种基于中心性和启发式算法的性能。实验表明本文提出的算法在传播速度、传播范围和识别的关键节点簇分布范围均表现优异,并有效地避免了“相消干涉节点”现象。本文以复杂网络为基础,采用最大连通组件分解和广义折扣度对关键节点簇识别算法进行改进,避免了“双胞胎节点”和“相消干涉节点”问题,且对于识别关键节点簇提供了新的研究思路,具有理论和现实意义。