近年来,针对社区进行演化分析及预测已成为动态复杂网络的研究重点,跟踪及预测社区演化的路径在掌握网络势态、预测疾病传播趋势等方面都有着很大的价值。在目前社区演化分析的研究中,缺少对网络拓扑结构的考虑,使得社区演化事件识别结果的准确性难以得到保证。而在社区演化预测研究中,存在提取的特征集不够全面、缺少能够刻画社区内在拓扑结构特征的问题。针对上述社区演化研究中的局限性,结合网络表示学习的思想在社区演化事件识别和演化预测两个方面开展了研究。主要工作如下:首先,提出了基于节点影响力和多属性融合的社区演化研究方法。该方法将网络表示学习的思想融入到节点影响力计算的过程中,提出了基于网络拓扑结构的节点影响力计算方法。通过节点影响力对社区差异度进行评估,并融合社区平稳度和差异度对社区间的相似性进行度量。同时,以该社区相似度度量方法为基础提出了基于节点影响力的社区演化事件检测模型EMNI（Evolution Model based on Nodal Influence）,模型重新定义了生成、消亡、生长、收缩、分裂、合并和持续七种社区演化事件的判别方法,以识别更符合真实网络情况的社区演化事件。其次,提出了基于多元特征集和潜在结构特征的社区演化预测研究方法MF-PSF（Multivariate Feature sets and Potential Structural Features）。该方法从社区核心节点特征、社区结构特征、社区时序特征及社区行为特征四个方面构造多元特征集,同时结合网络表示学习的思想提取社区的潜在结构特征。通过Deep Walk及谱传播思想获取的社区潜在结构特征充分考虑了社区内和社区顶点分布的整体结构特征,结合构造的多元特征集能够提高社区演化预测的准确性。最后,在两个真实数据集上进行实验,与其它模型进行对比分析,验证了本文提出的EMNI模型能够识别更多的社区演化事件,且各类事件分布更加均衡,更符合真实网络的演化情况。同时,在不同的数据集上验证了本文提出的基于多元特征集和潜在结构特征的社区演化预测研究方法MF-PSF,并分析了在演化预测过程中各特征的重要性。实验结果证明了本文提取的社区潜在结构特征的有效性,结合构造的多元特征集能够有效的提升演化预测的准确率。