现实世界中存在的各类关系均可以抽象成一个个网络,且都存在着一个共同的特性,即社区结构。它真实地反映了网络结构背后所蕴含的各类特征,如社交网络中潜在的兴趣小组、引文网络中的学科关联性、蛋白质网络中的潜在功能模块等。这类网络无时无刻不在变化,对动态网络的研究有助于更好地分析、预测网络中的个体行为,实现精准群体推广,大幅降低营销成本;发现、探索潜在关联关系,实现高效目标搜索,提高进程效率;理解、挖掘未知功能模块,揭示本质规律,推动多领域长足发展。随着动态网络规模的日益扩大,动态网络的网络表示和社区发现面临急需解决的两大问题。一方面,图结构的各类数据特征获取质量较低,导致动态网络表示存在偏差,使得在此基础上的社区发现算法效果并不理想;另一方面,面对大规模动态变化的网络,存在着随机选择节点更新次序以及标签更新策略所带来的社区发现结果不稳定的问题。针对上述问题,提出面向动态网络的表示学习模型(Dyn NE),通过图卷积神经网络提取动态网络的拓扑结构特征,利用设定的聚合函数对网络节点的邻居信息进行聚合,通过改进的GRU模型融合网络上的时间关联特征,丰富网络节点的各类特征信息,形成真实反应网络结构及其动态变化的网络表示学习模型。此外,还提出一种基于标签传播的动态网络社区发现算法(TSLPA),通过对网络节点能力进行细化分析,利用SRank算法挖掘网络中潜在的核心节点,并以此为中心构建初始社区,通过两阶段的社区发现算法,利用增量式的社区优化更新策略,有效降低错误累积以及黑洞社区的形成。在三类不同的数据集上的实验分析结果表明,Dyn NE网络表示学习模型分别在节点分类和链路预测任务的F1值和平均准确率上均有明显提升;TSLPA社区发现算法相对于基准算法而言,无论是在模块度、ARI以及NMI等指标上均得到有效改善。