复杂网络可以对现实世界的很多复杂系统进行建模,识别网络中的关键点在疫情控制、广告发布、信息传播、基础设施保护等众多领域有着广泛的应用。目前针对网络关键点识别研究已提出了大量行之有效的方法,然而一方面,现有关键点识别方法大多是基于网络的浅层结构开展的,会丢失很多深层结构信息,导致网络的内在联系无法被完整地反映,因此基于数据增强的关键点识别研究具有重要意义;另一方面,大多数关键点识别方法都基于网络结构是完全已知的,可是出于商业价值或隐私保护的考虑,没有人愿意毫无保留地将其获得的数据共享给他人。因此,本文主要针对数据增强和隐私保护两方面进行网络关键点识别的研究。对于关键点识别的数据增强问题,本文基于子图交互关系提出了两种赋权方法来实现网络结构增强。首先选择两类最基本的子图:连边和开三角结构,然后根据这两类子图的交互关系分别定义对应的子图网络,再通过子图网络的拓扑属性对原始网络进行赋权,分别得到一阶和二阶加权网络。本文定义的网络赋权方式不仅可以包含比原始网络更丰富的结构信息,而且权重可以直接由原始网络拓扑结构计算得出,从而避免了子图网络的构造过程,大大降低了算法复杂度。最后,定义两个基于加权网络的中心性指标,实验结果表明新定义的中心性指标在关键节点识别方面具有更好的性能。对于关键点识别的隐私保护问题,本文主要利用密码学中的安全多方计算（SMPC）保护网络隐私。由于在许多情况下了解一个网络的完整结构是困难的,因此产生了一个新问题:每个私有网络只能获得网络的部分结构,如何在保护每个私有网络隐私的同时,协作识别多个私有网络中的关键节点?为此,本文基于安全多方计算提出了两方和多方SMPC排序方法,通过集成每个私有网络的输入而不公开其输入来联合计算一个中心函数用于度量节点的重要性。在真实网络中的实验结果表明,无论中心性指标是什么类型,这两种SMPC排序方法都能在不泄露隐私的情况下更好地进行关键点识别。