复杂网络中的相对重要节点挖掘具有重要的研究意义和广泛的应用范围,如在犯罪网络中通过已知罪犯查找剩余罪犯,在蛋白质网络中通过已知致病基因发现可能的致病基因。本文主要研究相对重要节点挖掘算法,以及如何提高挖掘的效率和准确性,并将算法应用于犯罪网络中进行嫌疑人挖掘。主要工作内容如下:首先,本文提出了一种基于带重启随机游走的相对重要节点挖掘方法（RWR*）。该方法主要利用带重启随机游走的思想传递节点的重要性,节点在每一步随机游走的时候有一定概率跳回起点重新开始游走,并重新设计了随机游走的初值,改进了随机游走的概率转移矩阵。通过实验验证本文所提RWR*算法具有一定的有效性。其次,随着时代发展,网络规模不断扩大,为了提高相对重要节点挖掘的效率和准确性,本文还提出了一种基于已知重要节点和二阶邻居重合度的局部社区发现算法（SNC）。该算法是将相对重要节点挖掘模型中的已知重要节点作为特定节点,并结合二阶邻居重合度来进行局部社区发现。通过实验证明,本文的SNC算法具有一定的有效性,特别地,在一些团结构较少或存在明显核心节点的网络中,该算法能展现出明显的优势。最后,将算法应用于犯罪网络。在比较经典的911犯罪网络中,直接利用RWR*算法来进行嫌疑人挖掘。在ICM犯罪网络中,首先构建网络,并利用SNC算法找出已知罪犯所属的局部社区,再在局部社区中使用RWR*算法来进行嫌疑人挖掘。应用实验表明,在911犯罪网络数据上RWR*算法能准确地利用已知罪犯来挖掘出未知嫌疑人。在ICM犯罪网络数据上,SNC算法能准确地根据少量已知罪犯发现嫌疑人社区,能有效缩小挖掘范围以及提高嫌疑人挖掘准确率。