随着大数据时代的来临,数据规模日益变大,庞大的数据量不再适用于传统数据的展现形式。可视化技术是帮助人们理解和分析复杂网络最重要的手段,但信息的高速发展,复杂网络呈现海量式增长,严格按传统布局算法对复杂网络进行可视化变得非常困难。一方面由于传统布局算法过度关注美学标准,数据规模变大之后,无论如何优化都不能规避点重叠,边交叉等问题,同时布局时忽略社区结构这一特性,不利于人们理解复杂网络的功能和结构。另一方面,由于布局后的图中节点太多,它会严重影响人们的观察。由无标度特性可知,大部分节点的重要性较低,而这部分节点布局却占用了大部分资源。因此,需要对复杂网络进行压缩来提高布局质量和缩短布局时间。针对上述存在的问题,本文从布局和压缩这两个领域提出了两种不同的算法,其主要内容包括:1.提出嵌入社区半径的力引导与径向树混合布局算法力引导布局算法存在无法展示复杂网络社区结构的缺陷,虽引入聚类的方式来展示社区结构,但社区内节点拥挤且排列无序,不利于观察社区内节点的结构特征与连边关系,为此提出嵌入社区半径的力引导与径向树混合布局算法。该算法采用K-means算法对网络节点进行社区划分;然后,依据社区内节点数量确定社区半径,并将社区半径结合到社区斥力、引力中来展示社区结构;最后,采用径向树布局分层可视化各社区内节点。2.提出基于三角形子图的复杂网络过滤压缩算法面对庞大的复杂网络数据规模,复杂网络分析变得日益困难。为高效地挖掘和分析复杂网络,而提出基于三角形子图的复杂网络过滤压缩算法。首先,提出一种节点重要性排序算法来选取高、低重要性节点,通过过滤高、低重要性节点来减少计算规模和缩短压缩时间。接着,从边出发,列出边两端的节点及共同节点集来组成三角形子图集合。最后,解析三角形子图集合完成压缩。在可视化布局方面,使用拥挤区域占比、点分布偏差、节点偏差等指标验证了算法既能降低拥挤度又能减少节点布局偏差,可视化结果显示算法布局社区结构明显,节点层次分明,易于理解。在可视化压缩方面,使用SIR模型验证出节点重要性排序算法的排序结果合理、可靠。同时,从压缩时间、压缩率、信息量保持率等指标得出过滤压缩算法既能缩短压缩时间、提高压缩率,又较高的保留原网络的结构和信息。