带有节点内容信息的复杂网络（属性网络）在日常生活有着广泛应用,例如,社交网络,引文网络和蛋白质网络。通过在属性网络中进行社团分析任务可以解决好友推荐和内容推荐等现实问题,然而,现实生活中节点的属性和结构特征的信息来源往往差异较大,通常情况下属性特征维度和节点数目也较大,因此,使用以Kmeans为代表的经典机器学习方法解决属性网络的社团分析问题十分困难。网络表示学习（网络嵌入）旨在是将网络中的节点表示为低维实值向量,在一定程度上保留了网络中直观和潜在的信息。因此,结合网络嵌入方法来解决属性网络的社团分析问题具有较高的研究价值。目前,主流的网络嵌入方法主要是基于神经网络模型实现,对节点的属性和结构特征的学习表达还不够充分,因此将网络嵌入方法的结果应用于社团分析时,精确率和召回率较低。针对这些问题,以属性网络为研究对象,提出了一种基于属性和结构的网络嵌入算法（Network Representation Learning Algorithm Based On Attribute And Structure,简称NRLAS）。首先,NRLAS算法基于节点的属性相似度和结构相似度设计节点关联度的计算约束,将节点关联度作为随机游走概率的前置条件,使得随机游走对整个网络的采样效果更加充分;其次,NRLAS算法提出邻域扩展方法,使得节点的邻居不仅限于网络结构上,属性空间上的邻居也可作为有价值的参考依据,在扩展邻域时合并结构上的邻居和属性空间上的邻居使网络嵌入可以学到属性空间上的社团特征;最后,基于图卷积神经网络构建NRLAS算法的学习模型,通过融合邻居节点的属性特征和当前节点的属性特征,提高算法的性能。在三个不同尺寸和特性的真实数据集（Cora,Cite Seer和Pumbed）上的节点分类和聚类实验结果表明,相比于其他经典方法,NRLAS算法的准确率和召回率有明显提升。NRLAS算法为解决社团分析提供了新的思路,具有较好的理论性和实用性。