复杂网络可以揭示复杂真实系统的许多相关特征,如结构、功能及二者的相互作用,近年来吸引了来自物理、生物、社会和工程等领域研究人员的广泛关注,然而当前大多数研究却很少从物理学的角度来建模进而提出问题的解决方法。本文将网络中的节点看作是空间的一个质点,每个节点均对其它节点产生某种“作用力”,通过研究由该网络的组成元素所形成的虚拟引力场,进而从另一种角度解决当前复杂网路研究的一些重要课题。本文首先从物理力学角度出发,通过赋予网络节点一些物理属性如质量、距离等进而将复杂网络看作是虚拟空间中的力学系统,经一系列理论和方法计算网络节点间的虚拟引力及由引力导致的网络内部关系的变化,从而对复杂网络抽象图表示的引力场进行建模。网络的引力场体现了数据间的自然吸引属性,可以经过相关参数的选择满足处理不同网络在数据挖掘及其它领域问题的需要。其次,针对现有解决网络社团挖掘问题的方法大多基于优选法或试探法导致的收敛速度较慢且划分准确率不理想的缺陷,我们根据复杂网络引力场中的虚拟引力定义和分析了基于该模型的社团结构概念以及内在特性,并基于此概念提出了一个用来分析和挖掘网络社团的迭代方法NC-DF(Network Communities in Data Field)。该方法充分利用节点引力所表现的抱团特性,能够完全自适应地执行,无须预先设置参数。和常用的几种社团检测方法相比,NC-DF算法在迭代过程中能够快速收敛使社团划分结果达到稳定,并且在仿真网络和真实网络上均有较好的表现。最后,针对现有链接预测方法大部分都只是基于节点的共同邻居的个体信息来考虑相似性,对共同邻居节点间相互作用考虑不足这一缺陷,根据网络的引力场模型中任一对节点间存在的吸引力提出了一种新的相似性计算方法—共同邻居团的吸引密度AD (Attractive Density)。该方法充分利用了网络的结构信息,使用共同邻居团内的吸引密度来衡量每对节点的相似性大小,既考虑到单个邻居节点的作用,又充分利用了共同邻居节点间的相互作用关系。AD方法在保证时间效率的情况下具有更好的预测结果,特别是在聚集系数较低的网络上较好地改善了预测的性能。