复杂网络广泛存在于人们的生产生活中,该领域研究的一个重要方向是对网络社区结构的划分和演化分析,它有助于认知复杂网络的结构和功能,并对诸如广告投放、信息传播管理、个性推荐等应用领域具有重要的意义。在现有的使用经典聚类算法对网络进行社区发现时,由于表示网络的矩阵维度高,局部信息缺失等问题,社区发现准确性不高。而在现有社区演化预测研究中,主要问题体现在两方面,其一是所构造的预测特征集通常只包含体现社区静态属性的特征,没有考虑社区演化过程中的动态属性,使得其中的时序信息没有被充分使用,预测结果不够准确,其二是通过提取演化链的方式描述社区演化,无法直观表现社区分裂和融合的演化情况。针对以上问题,本文在社区发现和社区演化预测两个方面,结合了深度学习模型的优势,分别提出了基于深度学习模型的社区发现方法以及社区演化预测方法,以提高社区发现和演化预测的准确性。(1)针对网络的邻接矩阵使用跳数连接,将邻接矩阵转化为相似性矩阵,全面地反映网络中每个节点的局部信息。构建带有注意力机制的深度稀疏自编码器网络模型,提取相似性矩阵低维特征,降低聚类任务复杂度,提高了对网络拓扑结构中社区结构的表达能力。最后采用经典聚类算法k-均值进行社区划分,提高了经典聚类算法进行社区发现的准确性。通过实验验证,结果表明本文提出的社区发现方法具有较好的社区划分能力,能发现良好的社区结构。(2)提出了一种基于长短期记忆网络的社区演化预测方法。该方法首先从核心节点属性、社区结构、时序、行为等信息提取多元社区特征,构造演化特征集。其次,检测不同时间窗口社区发生的演化事件并构造演化树,从而可以直观地展示每一个社区整个的生命周期中的各种演化事件。然后,对于提取的特征,使用长短期记忆网络进行训练,获得社区演化过程中的长期依赖。实验表明本文提出的特征构造及其演化预测方法具有较高的准确性。本文共有图20幅,表15个,参考文献82篇。