随着互联网的发展,社交网络上累积了大量的用户内容、用户行为、用户关系等数据。人们可以从这些数据中发现有用的知识,从而预测用户间关系的演变、解释用户的行为模式、描绘用户偏好、分析网络事件的演化规律等。而网络数据的表示,关系着对网络进行分析的效果和效率。网络数据的大规模性和复杂性对网络数据的表示方法提出了很高的要求。传统的基于邻接矩阵的网络表示方法存在着很多不足,而表示学习技术相对邻接矩阵具有较大优势。网络表示学习用一组低维向量来对原网络组件进行表示,在保留原网络特征的同时,降低了表示结果的复杂度。通过对低维表示向量进行分析,可揭示原网络中蕴含的知识,从而帮助解决各种网络推理问题。多粒度认知计算是在粒计算的理论基础上发展起来的一个重要研究方向,它借鉴了人脑在处理复杂问题时的多粒度机制,试图在多个粒度层次上对问题进行协同求解。网络结构是网络中的基本研究对象,它在不同粒度上呈现出不同的功能特性。网络结构具有多层次、多粒度的特点。因此,有必要借鉴多粒度认知计算的思想,分析和挖掘网络中的多粒度知识,解决网络表示学习领域中的问题。本文对多粒度结构特征的表示学习问题进行了深入分析和研究,面向跨网络用户对齐,提出了多粒度结构特征协同提取的表示学习;针对网络数据的层次结构语义,提出了多粒度结构特征表达的可解释表示学习。本论文的主要研究内容包括:高阶结构特征提取的多粒度网络表示学习模型、非线性结构特征提取的多粒度协同网络表示学习模型、多粒度层次结构语义表达的图引领树模型、基于图引领树模型的多粒度可解释网络表示学习方法。本文的主要创新研究工作包括:（1）针对网络表示学习模型对高阶结构相似的LAP（Latent Anchor Pair）难以发现的问题,提出了高阶结构特征提取的多粒度网络表示学习模型。利用多粒度认知计算思想,设计了启发式的加权随机游走机制,重点提取高阶结构特征,增强网络表示学习算法对高阶结构特征的捕捉能力。应用表示向量进行跨网络用户对齐,提升了对齐效果。（2）针对网络表示学习模型对非线性结构相似的LAP难以发现的问题,提出了非线性结构特征提取的多粒度协同表示学习模型。设计基于深度学习的边加权器,提高了表示学习模型对监督锚点对（Supervisory Anchor Pair,SAP）中的非线性特征的捕捉能力。通过高阶结构特征和非线性结构特征的协同提取,增强同身份用户的相似性,进一步提升了表示学习模型在跨网络用户对齐任务上的效果。（3）针对基于密度的引领树模型无法表达网络数据中多层次结构特征的问题,基于引领树的多粒度数据分层表示方法,提出了多粒度层次结构语义表达的图引领树（Graph Leading Tree,Graph LT）模型。通过将网络节点映射到树形结构上,该模型直观地表示了网络中的多粒度层次结构,解决了传统网络表示学习模型存在的仅关注局部结构相似性提取,表示向量的分布无法反映全局层次结构关系的局限性问题。（4）针对网络表示学习模型可解释性不足的问题,提出了基于图引领树模型的多粒度可解释网络表示学习方法。可解释的树形结构指导了表示向量的生成过程,所生成的表示向量的分布可以揭示网络中的层次结构语义,在网络节点分类、链接预测等网络分析任务上提升了效果。（5）基于本文研究成果,开发了一套多粒度网络结构特征分析系统（Multigranular Structural Analysis System,MGSAS）并进行了功能验证。在跨网络用户信息融合分析任务中,作为对显性信息分析方法的补充,该系统使用结构信息进行分析,取得了效果提升。综上,本文基于多粒度认知计算学术思想,在社交网络数据中的结构特征挖掘方面,以网络表示学习模型为主要研究对象,在多粒度协同网络表示学习方法、多粒度层次结构语义表示学习模型两个方面进行了研究,解决了网络表示学习模型对多粒度结构特征的表达不足问题。本文所提出的表示学习模型方法提升了跨网络用户对齐、多层次社区发现、节点分类、链接预测等网络推理问题的求解效果。