复杂网络任意两点之间的最短路径计算方法不仅应用于信息通信、交通运输、灾害预警等众多实际应用场景,也是复杂网络特征量计算的依据。因此最短路径问题得到了众多领域学者的关注。随着大数据时代的来临,网络规模已远超出最短路径经典算法的适用范围,近似算法成为了可行的替代解决方案。然而现有的近似算法在效率上的提升都是以牺牲大量的预处理或搜索精度为代价的,无法同时满足大规模网络最短路径计算的高准确度和低延迟的需求。因此,在保证结果高准确度的前提下设计出更高效的最短路径近似算法是当前研究的重要目标。本文针对现有近似算法的痛点进行研究和分析,提出了一种基于确定性覆盖网络的最短路径近似算法,在确定性网络的层面去突破最短路径计算的壁垒,为该方向提供了新的解决思路。本文的主要工作如下:（1）现有的近似算法依赖于高复杂度的经典算法进行高层网络节点间的精确路径搜索,从而导致预处理阶段的计算效率过低。针对该问题,本文算法基于确定性网络模型的迭代规则在非确定性实际复杂网络上抽象出具有确定性拓扑结构的覆盖网络,利用确定性网络能够从节点间确定的位置关系直接推导出最短路径解析解的优势,实现以线性时间复杂度估算复杂网络任意两点之间的最短距离,提高了预处理阶段的计算效率。（2）分层类近似算法基于高层节点对底层实际网络进行区域划分,使不同区域的节点通过高层路径进行相互访问以此提高最短路径搜索的效率。本文算法基于节点中心性指标筛选出具有较高影响力的覆盖网络标号节点集合,并根据实际网络的拓扑特性调整集合的规模,使基于标号节点划分的区域更符合现实网络的拓扑结构特征,提高算法的准确性。（3）综合使用最短路径算法加速技术对路径搜索过程进行优化,设计出基于标号节点距离的目标引导搜索方法,通过压缩搜索空间加速近似求解的过程。本文采用不同规模和类型的真实网络数据集,对所述算法进行了实验和分析,并选取具有代表性的基于区域中心点距离的最短路径近似算法CDZ和基于k-shell的最短路径近似算法KS进行对比实验。实验结果验证了本文算法在大规模复杂网络最短路径近似查找中能有效降低预处理阶段的复杂性,提高搜索效率,并保证近似结果具有较高的准确度。