近几年来,已经涌现了大量的关于复杂网络的研究,它已成为计算机、生物学、社会学等领域的研究热点之一。复杂网络结构可以用于描述各种具有高科技和智力重要性的系统,其中复杂系统的结构以及系统结构与系统功能之间的关系是人们十分重要的关注点。复杂网络的主要研究都基于图论的理论和方法来开展,而在其各种研究任务中,链路预测任务和图分类任务是十分重要的研究热点。然而传统的链路预测任务中,基于社区结构的算法往往受到社区划分算法的限制,当社区连接数量很小的时候,这类算法预测精度会很低。在图分类任务中,网络噪声是不可避免的,并且大规模网络会增加模型训练的时间。同时,图分类任务中,固定的邻域关系导致某些重要节点特征不能够得到有效的表达,阻碍了预测图标签任务的发展。针对以上几种问题,本文完成的主要工作和创新如下:（1）提出了一种基于社区相关性的多分辨链路预测方法。该方法基于社区相似性,更适合预测距离较远的节点对之间缺失链接的概率。划分多分辨率社区后并将其与社区之间的相关性相结合,能够使得在社区连接数量很小的情况下,也可以很好的预测目标的存在概率。在最后的实验中采用两种不同尺度的网络数据集,和其他常用的算法进行了预测精度的对比,实验结果表明,本方法具有优秀的竞争力。（2）提出了一种基于局部特征表示的图标签预测方法。该方法通过提取网络子结构信息,可以大大缩短预测算法的运行时间,并在一定程度上降低噪声对预测结果的影响。同时本方法充分考虑了中间中心性节点的物理意义,并通过深度优先搜索以获得子结构集合。这个子结构集合不仅包含分子图中每个区域的特征,而且很好地保留了每个区域之间的连接关系。此外,本方法定义了一种新的距离度量指标,将子结构集合划分为相似集合和相异集合,然后结合相似集合和相异集合的特征用以训练模型。实验表明,本方法在不同数据集上的性能优于其他的对比方法。（3）提出了一种基于注意力机制的图标签预测方法。该方法利用注意力机制,改变了节点对其他节点固有的关系,可以指定节点及其邻域节点之间的连接权重。该机制根据节点和其邻域节点的特征向量改变了连接权重,放大了重要的节点特征向量在网络中的作用。同时结合传统的GCN网络,获得更易区分的图表示向量。本方法也讨论了使用注意力机制后,不同的Readout方法对预测图标签精度的影响。最后通过与其他方法进行的对比实验,能够证明本方法具有更好的预测图标签的能力。