随着社交网络的普及,社交媒体每天都在产生海量数据。由于绝大多数社交网络具有实时性,每分每秒都在变化,因此也被称为动态网络。为了挖掘这些动态网络数据中隐藏着的巨量价值,动态网络分析成为了目前的一个研究热点。其中,动态网络中的社区演化分析以及社区演化预测是最有意义的研究方向之一,其在影响力分析、信息传播、网络营销等应用中都具有重要价值。本文在总结动态网络中社区演化评估标准、演化分类模型和演化预测模型的现有研究基础上,对动态网络研究中社区演化分类模型及预测中的特征提取进行了重点研究,主要工作包括:第一,提出了一种基于节点领导力的社区演化评估标准。本文首先针对动态网络特性提出一种评估节点领导力的指标,并将其引入社区演化评估标准,用于评估两个社区之间是否相似。该方法强调了节点权重对于社区演化的影响,更适用于真实的动态网络。第二,提出了一种基于节点领导力的演化分类模型。将基于节点领导力的社区演化评估标准作为社区演化分类的基础,根据真实网络的演化情况将演化分为七类。实验结果表明,该模型可以更好地检测到多种类型的演化事件,特别对于Splitting和Merging演化事件的挖掘能力要优于其他模型。为了更加直观地了解社区的演化情况,本文提出了演化树模型,该模型可以清楚地展示一个社区从生成到消失的整个生命周期。第三,本文基于社区演化各方面特性,尤其是历史演化信息方面进行特征提取,对社区未来的趋势进行演化预测,并通过重点分析特征集与各种演化类型之间的关系发现了三个重要规律:1.小社区比大社区更容易发生Growing事件。2.在演化历史过程中发生过Growing事件的社区极有可能在未来时间窗口发生Merging事件。3.大社区比小社区更容易发生Dissolving事件。在预测结果中,Growing事件和Merging事件都表现出较高的预测准确度,而Continuing和Shrinking事件由于训练集过少的原因,导致预测效果不够理想。