复杂网络中存在各种各样的有害传播过程,例如谣言传播、病毒传播、故障传播等。如果我们能及时定位传播的源头,便可以采取更有效的防控或免疫策略。近年来,复杂网络传播过程中的溯源问题引起越来越多研究者的关注,已取得了一些研究进展,但仍有许多理论问题亟待解决。本文借助于网络科学、概率统计和进化计算等领域中的理论工具,对复杂网络传播过程中的溯源问题开展了以下研究:（1）提出了一种基于随机游走的多源头溯源算法。我们考虑不同的源头节点感染终端节点的先验概率不同,并使用单步转移概率矩阵和首次到达时间两种方法去近似该先验概率,在此基础上推导出多个源头节点的估计量。我们分别在复杂网络模型和真实网络上对算法预测效果进行了测试,实验结果表明,当网络较为稀疏或异质性较强时,算法往往能较为准确地识别多个源头,错误距离较小。同时,我们也发现在溯源准确率方面,基于首次到达时间的近似方法往往优于基于单步转移概率矩阵的近似方法。（2）提出了一种基于多元高斯分布的多层网络溯源算法。首先,针对树形多层网络,我们提出了基于多元高斯分布的溯源算法。其次,我们使用最短路径树来近似扩散生成树,并将上述溯源算法推广到一般的多层网络。最后,我们研究了网络拓扑结构和病毒的传播时延分布对算法准确率的影响。实验结果表明,在多种参数条件下,我们提出的多层网络溯源算法均可以达到较高的溯源准确率。（3）研究了基于多元高斯分布的溯源算法中观察节点选址问题。在使用该溯源算法寻找源头节点时,我们采用了两种策略来筛选观察节点:一是使用基于节点中心性的方法来选择观察节点,二是使用粒子群算法来优化观察节点集合的整体覆盖率,从而筛选出最优观察节点集合。结果表明,基于K-壳中心性的选址策略优于其他中心性的选址策略,而基于优化覆盖率的选址策略在相对均匀的网络中有较好的效果。