随着大规模基因组测序、基因预测以及注释工作的完成,生物信息学研究进入了后基因组时代,系统生物学作为其中一个新兴的研究领域,受到了越来越多的关注。与此同时,motif识别问题的研究也由仅仅针对生物序列数据(DNA序列、蛋白质序列)拓展到了复杂生物网络的层面上。网络motif识别技术作为研究生物网络的结构设计规则及网络发展规律和趋势的有力工具,已成为当前系统生物学领域的研究热点之一。近年来,在网络motif识别算法研究方面,人们已经探索出一些有效的算法,这些算法在解决较小规模的网络motif识别问题时表现出了良好的性能。但是,随着数据规模的不断扩大,很多算法已无法适应问题的需要。所以,积极探索更加有效的网络motif识别算法已成为当今网络motif识别研究中的一项重要课题。本文首先对网络motif识别技术的基本思想进行了分析,并详细研究了现有的各种网络motif识别算法。在此基础上,我们提出了一种新的基于特征聚类的网络motif识别算法——FCMD算法。该算法与以往识别算法不同的是它通过构造基于顶点的局部结构表达形式来描述网络motif的拓扑结构特征,从而有效地降低了算法复杂度。FCMD算法还引入了聚类的思想,通过在特征空间中进行聚类分析来识别网络motif,在保证识别质量的同时大大缩短了算法运行时间。通过在生物化学网络、神经网络、电子电路网络等六种真实网络数据中进行实验的结果表明,FCMD算法不仅能够准确的识别出网络中蕴含的motif结构,并且算法的时间复杂度基本独立于网络motif的规模,与以往算法相比,具有较大的优势。