在数据科学领域,网络分析方法能够形象模拟现实世界中实体间的特性关系,是理解复杂系统本质和功能的有效途径。然而,传统的复杂网络分析方法以单层网络结构和单一关系模型为导向,未准确地描述现实世界中相互关联、相互依存的多源实体关系,可能会遗漏甚至丢失网络中潜在的高价值异质信息。为了有效地刻画现实世界的多源数据关系并将其融入网络分析和研究中,本文利用复杂网络理论和深度学习技术分析异质节点的特征和网络拓扑性质。鉴于现有众多方法在识别关键节点时局限于单一关系模式,本文提出了一种基于K-Shell的多层异构网络关键节点识别算法。在节点影响力的识别和计算中,本算法引入了节点的自身属性、位置属性和邻域节点的不同贡献度。本算法以K-Shell算法为基础,通过量化层重要性,并利用节点传递机制和多关系特征发掘层间相互作用模式对多层异构网络的节点中心性的贡献,以尽可能多地利用网络的多源信息识别关键节点。其次,为了解决现有的图卷积神经网络未充分利用多源关系信息导致特征信息丢失的问题,本文基于现实的多源关系网络构成多层异构网络拓扑结构,将基于局部邻域聚合范式的图卷积神经网络推广到了异质特征丰富的多层异构网络。本方法利用BERT捕捉网络中的异质语义信息,并引入了网络模体用于表征目标节点邻域的高阶局域信息,并利用模体重要性采样方法提取网络中高价值的模体。随后,基于网络模体设计了模体图卷积操作,并利用注意力机制动态地聚合模体特征,基于此提出了一种基于模体图神经网络的多层网络嵌入算法。最后,基于真实的多层异构网络实现关键节点识别算法,并通过与其他典型方法进行对比分析验证了本文所提出的识别算法的有效性,并且该识别算法在识别重要节点的任务中优于其他基线算法。同时,在若干个真实的多层异构网络中进行节点分类任务,验证了本文所提出的分类算法的准确率和运行效率要高于其他基线算法。