现实生活中网络无处不在,例如道路网络、生态网络、蛋白质相互作用网络、社交关系网络等。随着复杂性科学的诞生,人们得以从现实世界的方方面面抽象出关于复杂网络的图的表征。在复杂网络的基础研究中,节点重要性研究是其中的一个重要分支——研究复杂网络中被抽象为节点的实体对象在该网络中的重要程度。在疫情防控与溯源、防止经济危机的扩散、电力网络的抢修与交通基建等方面,节点重要性挖掘发挥着不可忽视的作用。而加权网络携带了比无权网络更加丰富的信息,它更加适用于表征现实世界中的网络结构。近年来困扰加权网络节点重要性研究的因素主要有以下几点。其一,加权网络节点重要性的计算往往时间复杂度和准确性难以兼顾,如何确保二者兼得,便成了一个关键性问题。其二,对于已有算法,是否存在低计算时间开销情况下提升其准确性的优化方案。第三,在加权网络中,权重对节点的重要性的贡献关系目前还尚未明确定义统一的框架。这些都亟需寻求合理的解决方案。首先,针对加权网络的节点重要性中的权重对节点重要性做正/反向贡献问题,本文提出了一种简洁的归一化量化方法。针对加权网络的节点重要性的计算问题,本文还提出了一种基于局部拓扑结构信息的节点重要性挖掘算法和一种基于半局部拓扑结构信息或全局拓扑结构信息（半局部和全局将取决于参数设定）的优化方法,分别称为权重期望算法（Weighted Expectation,WE）和队列强化算法（List Plus,LP）。对于WE算法的设计,受到了期望和Softmax函数计算方式的启发。依托于其计算特性,本文首先根据节点间联系的强度与边的权重之间的相关性,建立了新的权重归一化公式;进而,本文可以探索一种新的基于网络局部拓扑结构信息的加权网络的节点重要性计算方法;最后,基于上述思想,算法以计算节点重要性得分分值的方式来评价网络中节点的重要性。通过与多个节点重要性算法在真实网络上的实验验证与对比分析显示,WE算法能以极低的时间复杂度收获非常可观的准确性。对于LP算法,其实质是,在现有研究关于限制关联节点规模的基础上,进一步考虑了关联节点的选点方式:在已有排序的基础上,基于Frustrated随机游走方法和迭代传递节点重要性的F函数,利用多阶邻居信息,对节点重要性排序准确性进行优化的一种算法。LP算法本身的时间复杂度很低,且具很好的可移植性,可对其输入任何一种有节点重要性得分的排序结果进行优化。根据随机游走原理以及调控权重对节点重要性的贡献程度大小来对排序的准确性实现进一步的提升。通过与多个节点重要性算法在真实网络上的实验验证与对比分析显示,LP算法具有提升排序准确性的效果。