随着计算机技术的迅猛发展,复杂网络成为国内外学者研究的重要课题。在复杂网络的研究过程中,研究人员收集了大量真实的数据,并总结了不同领域复杂网络的特征,发现对于复杂网络中影响力节点的识别和研究有着非常重要的意义。本文对于复杂网络的拓扑结构特性进行了归纳分析,从网络的局部结构特征和边的潜在重要性方面,对复杂网络中影响力节点的识别算法进行深入研究。首先,本文介绍了复杂网络的四种模型,并对其统计特性进行了分析,认为度分布、平均路径长度和聚集系数在识别影响力节点时起到重要的作用,同时归纳总结了常用的影响力节点识别算法,并对这些算法进行了分析比较。其次,针对加权复杂网络,提出了基于证据理论和局部结构的影响力节点识别算法。该算法在发挥基于证据理论的识别算法的优势下,充分考虑网络中真实度分布,然后结合节点的邻居节点间的拓扑连接结构特征,从而得到识别影响力节点的度量值,度量值越高,对应节点的影响力越大,进而识别出有影响力的节点。然后,针对无权复杂网络,提出了基于边的潜在重要性的影响力节点识别算法。该算法根据Jaccard相似度度量了边的潜在重要性,提出了一种边加权方法。然后通过考虑网络中节点的度分布这一因素,对基于证据理论的识别算法进行了改进,之后采用k-shell分解方法来衡量节点在网络中的层次,进而得到评估节点影响力的度量值,对这些值降序排列,从而识别出有影响力的节点。最后,对于真实的数据集,在MATLAB环境下进行实验,并与几个经典算法作对比,对本文提出的两个算法进行性能分析。