复杂网络的同步和可控性研究对于理解网络的动态特性有着重要的意义,是网络科学的重要研究内容。然而,对于实际网络动辄成千上万的节点来说,判断他们是否同步和可控需要求解大量耦合方程,并且小规模网络得到的判据或定理不一定可以直接推广到大规模网络,这给大规模网络的计算和仿真都带来了巨大困难。网络的粗粒化技术是一种将大规模网络约简为小规模网络,同时保持网络的拓扑特性或动态特性不变的方法,是研究大规模网络的重要手段。本文以网络的同步理论和可控性理论为基础,重点研究了保持大规模网络同步能力和可控性的粗粒化算法,其主要内容如下:提出了一种基于相对距离的谱粗粒化改进（ISCGR）算法。该算法以特征向量分量间的相对距离作为分类标准,能够使节点的合并更加合理,从而更好地保持原始网络的同步能力。对经典的三种网络模型BA、ER、NW网络和27种不同类型实际网络的数值仿真分析表明,本文所提算法对比原来的算法能够明显改善网络的粗粒化效果,并发现互联网、生物、社交、合作等具有明显聚类结构的网络在采用谱粗粒化算法约简后保持同步的能力要优于电力、化学等模糊聚类结构的网络。提出了一种基于m阶度的粗粒化（MDCG）方法。该方法以网络中节点的m阶度作为分类标准先将网络中节点分成不同组,再将每个组按照相同的比例进行约简,以保证原始网络的全局特性尽可能不变。通过BA、ER两种模型网络和两种实际网络的仿真分析表明,MDCG方法对能够很好保持粗粒化网络的平均度、度异质性、度分布等拓扑特性和可控性。与以往粗粒化算法相比,本文提出的MDCG方法以m阶度作为分类依据,不仅需要的网络信息少,计算量小,并且所得粗粒化网络能够保持的性质较多,特别是能够保持网络的可控性这一重要特性。另外,MDCG算法可以任意设置粗粒化网络的规模。