复杂网络技术早已渗入了人类生活之中,节点重要性是复杂网络的主要研究对象之一。但是,本文关注一个相关但略有不同的问题——识别复杂网络中节点相对于一组已知重要节点的重要性,即相对重要节点识别方法的研究。此类问题在现实中广泛应用,比如,根据已被逮捕的罪犯寻找其他罪犯;在交通网络中,通过已拥堵的路段,优先找出易拥堵的路段进行交通管制。本文对复杂网络中相对重要节点的识别工作进行研究,分别从网络拓扑结构和随机游走的角度,给出了两种不同的方法。通过与其他相对重要节点的经典方法进行对比实验,结果证明本文提出的方法能有效地识别复杂网络中的相对重要节点。本文主要工作包括:（1）本文结合网络的拓扑结构,提出了一种改进的优劣解距离（TOPSIS）法。该方法首先根据网络拓扑,构建并归一化多属性矩阵;其次,为克服传统TOPSIS法中权重矩阵赋值及获得理想值时人为因素引起的随机性,利用熵权法对TOPSIS模型中矩阵的权重进行赋值;最后,通过已知重要节点的特征得到正理想值,并结合负理想值求得未知重要节点的相似紧密度。相似紧密度就是节点的相对重要性分数。经过在真实的网络数据集上进行实验对比,验证了该方案能有效识别相对重要节点。（2）基于非对称相互影响的随机游走方法识别相对重要节点。传统的随机游走方式一般以有限的步数遍历网络,在每个步骤中,根据节点之间的转移概率中随机选择一个相邻节点。然而,在真实复杂网络数据集中,节点对邻居节点的影响力是不同的,所以,该方法不能准确地识别节点的相对重要性。因此,本文使用互信息的理论,定义了节点间的非对称相互影响,让随机游走粒子依据当前节点对一阶邻居节点的影响选定下一个游走目标。同时,结合了局部随机游走与叠加随机游走方法。最后,将该方法与其他识别相对重要节点的方法进行对比,发现该算法在识别相对重要节点方面表现出色。