大数据分析是大数据研究中的关键问题。传统的面向主题的大数据分析方法在挖掘给定主题的数据的内在规律方面具有很好的适用性。但是,大数据通常具有海量、异构、复杂、开放等特征,且面向实际应用的大数据分析问题往往涉及若干主题,不同主题间又存在复杂的、动态变化的相关性,因此使用面向主题的分析方法难以获取大数据中隐藏的系统性规律。大数据往往源自现实中的各种复杂系统,是复杂系统在信息空间的数据映像。数据实体反映了复杂系统中的个体,数据实体间的关联反映了复杂系统个体间的相互作用。因此,从复杂系统理论及方法的角度出发研究大数据分析,是获取大数据的整体特征、规律、机理的有效方法。复杂网络是研究复杂系统的有效模型,基于复杂网络能够对大数据进行系统级的建模与分析。本文在课题组前期研究的基础上,给出了基于数据间相关性与相似性构建复杂数据网络的方法,并将基于数据实体及其关系构建的数据网络映射到多维向量空间,以多维向量描述数据实体与数据实体间的关系,提出了一种大数据分析的复杂数据网络模型,为大数据分析引入了系统级建模方法。进而,研究了基于多维向量变换的复杂数据网络运算与多维分析方法。以此为基础,本文分析了中国渤海与北黄海海域水质监测数据的相关性与相似性,构建了水质因素相关性网络与海域水质因素相似性网络。从时间与空间两个维度对这些网络的拓扑性质进行了分析,系统性地评价了该海域的富营养化状况,分析了赤潮爆发的时空特征,得到了若干海水富营养化与赤潮爆发的机理。基于实际发布数据的验证表明,本文提出的基于海洋复杂数据网络的建模与分析方法能够有效辅助海洋大数据分析、海洋水质评价、赤潮爆发机理发现等若干海洋领域中复杂问题的研究。与已有研究相比,本文的研究系统性地设计了从系统层面建模与分析大数据的方法,为挖掘大数据中隐藏的系统性规律提供了支撑。