随着信息技术的高速发展,复杂网络分析已经成为机器学习和数据挖掘研究领域的热点之一。研究表明,网络的社区结构能揭示网络隐藏的某些功能属性、规律特点,网络社区结构检测对挖掘网络结构信息、了解网络结构的特点具有重要的意义。在网络社区结构检测的研究中,如何刻画网络的特征矩阵,对社区检测有重要的影响。当前大多研究主要从局部特征和全局特征两个方面展开,用对称特征对无向图网络进行研究。本文围绕融合局部特征和全局特征的思想,对网络特征矩阵赋予新的构造方法,其主要研究内容如下:(1)提出一种基于局部特征扩散的特征矩阵构造方法。该方法首先定义新的节点相似度;然后通过链路加权完善局部特征;最后通过扩散核构造网络的特征矩阵。新的特征矩阵融合了网络的局部和全局特征,更全面地表达了网络的拓扑信息。(2)提出一种相对稳定的标签传播算法。该算法基于局部特征扩散所构造的特征矩阵,首先用链路权值优化网络局部结构;然后用新的特征矩阵构造标签贡献矩阵;最后在标签首次更新阶段,对核心节点优先更新。算法不仅在准确性方面得到保证,而且稳定性明显提升。(3)将局部特征扩散的思想推广到非负矩阵分解模型,提出两种新的特征矩阵分解模型。首先将新定义的对称特征矩阵应用到对称非负矩阵分解模型。然后针对对称的相似度度量方法对网络拓扑信息描述的不足,提出一种非对称特征矩阵构造方法,并结合非负矩阵分解模型用于社区检测。该方法首先对节点局部相似度进行非对称地度量,将无向图调整为有向加权图,然后通过链路加权增强局部特征,最后将所得到的局部特征结合扩散核构造网络的非对称特征矩阵。实验表明,本文提出的对称特征、非对称特征能有效提升复杂网络社区检测效果,在小规模社区识别分辨率方面拥有独特的优势。尤其是非对称的特征,能更好地度量节点之间的相似度信息,对社区检测性能的提升更加明显。