如何准确且有效地识别网络中有影响力的节点一直以来都是一个核心问题。针对网络节点重要性评估,一些著名的中心性算法已经被提出并得到了广泛的应用。然而,现存的一些算法仍存在一定的缺点。为了能有效地找出网络中有影响力的节点,利用统计学中多指标综合分析概念,本文提出了一种基于熵权-灰度关联法的识别算法(Entropy weight-Grey correlation analysis,简称为EG)。通过构造指标数据矩阵,利用加权后的灰度关联分析法计算各节点对应的关联度来反映节点的影响力,结果表明利用指标综合分析来评估节点影响力是可行的。但我们发现介数中心性的权重比较大,在给定的四个网络中,介数中心性识别节点影响力的能力较弱,由于EG算法要充分结合指标数据信息,权重较大的介数中心性势必会影响EG算法的效能。为了避免指标数据对算法产生不利影响,本文又提出了一种新的不完全依赖于指标数据的识别算法,它被命名为平均边-距离贡献度算法(average edge-distance contribution,简称为AEDC),此算法测量了每条边对于网络中所有节点对距离之和的贡献程度。针对网络中的每个节点,我们从网络中移除它并利用该节点引起的AEDC的相对变化量来决定此节点的影响力大小。为了验证提出的AEDC算法的可行性和有效性,本文使用易感态-感染态-恢复态(SIR)模型模拟了疾病在四个真实的复杂网络上的传播过程。实验结果表明在识别节点影响力方面,本论文提出的AEDC算法比其他几种基准中心性算法更为准确且有效。