图被广泛应用于各种领域的关系建模,比如社会学、生物信息学、基础设施、万维网等。现实生活中的图通常是全局稀疏,但局部紧密,也就是平均度数往往相当小。因此,如何在一个大规模的图网络中挖掘出这些紧密子图是一个非常热门的研究课题,它可以帮助人们找到图中的关键节点或者群体。目前的研究中已经给出了很多的紧密子图模型,比如k-core、k-truss、clique等,但这些都只是考虑图的拓扑结构。而真实的网络图中的节点（实体）或者边（关系）往往有着重要的属性。比如,在合作网络中的作者有他的研究领域;蛋白质有自己的分子功能、生物过程和细胞成分等属性。在研究这些网络图的时候就不能单纯只考虑图中的结构关系,还应该充分挖掘那些带有重要属性的节点或者群体。虽然现在有很多新的模型和算法来挖掘带有属性的紧密子图,但是不同领域下网络模型非常复杂多样,因此有很多新兴的网络模型还未探索。此外,有些工作虽然已经能解决紧密子图挖掘问题,但是算法的计算效率不高,因此很难应用到大规模图中（包含上亿条边）。针对于上述的问题,本文主要研究的是动态二部图、多值网络和带权图上的紧密子图挖掘算法。动态二部图中所有的节点被分成不重叠的两组,且节点或边会动态变化（插入/删除）。针对于这一模型,本文提出了一个叫做α（β）-核值的指标,可以反映一个节点在二部图的紧密程度,帮助列举二部图中的（α,β）—core。本文首先给出了一种计算节点α（β）-核值的线性算法,然后又接着给出了核值维护算法来动态更新所有节点的核值,从而避免重复计算。对于多值网络,每个节点都包含多个维度的属性,本文采用了 skyline模型来考虑节点属性,并提出了有效的算法来计算多值网络中的skyline紧密子图。为了解决算法的效率随着维度的增加指数增长这一问题,本文还利用最大熵模型提出了降维算法。对于带权图,尤其是节点和边都带有权重的网络图,本文在k-clique的基础上提出了一种叫做极大（S,C,K）-clique的模型,从而找到节点和边权重都比较大的紧密子图,此外还给出了有效的算法和两种索引来计算图中的极大（S,C,K）-clique。文中在很多真实和合成的数据集给出了完备的实验来评估模型和算法,实验结果也验证了模型的有效性和算法的效率。