随着科学技术日新月异的发展,网络逐渐为人们日常生活中不可或缺的工具。它是一种功能强大的图结构,可以很自然地捕获海量数据中对象之间的关系。为了获得对象的更多隐含信息,许多图挖掘任务需要联合多个网络的数据进行分析。然而汇聚异构网络中的数据所面临的首要问题是“如何对齐不同平台的对象”。许多下游任务是在对象对齐之后构建的。例如,蛋白质网络的模式匹配、社交网络中的用户身份识别、跨领域个性化推荐和社会链接预测等等。因此,网络对齐在广泛的应用中具有十分重要的意义。本文针对异构网络对齐问题做了以下两个工作:（1）目前,大多数异构网络对齐问题的解决方案可以归纳为以下三个步骤:特征提取、模型构建和节点匹配。第一步,从节点的属性信息和网络结构中提取可用的信息作为节点的特征,标识着节点的身份。第二步,对上一步提取出的特征进行统计或者向量化表示,用作模型构建阶段的输入。然后,根据锚节点对（也即预先已知的对齐节点对）的可用性训练有监督或者无监督模型。最后,利用训练好的模型来预测两个节点身份是否匹配。当前,大多数网络对齐方法在特征提取阶段只重点关注节点的局部结构或全局结构,这种特征提取方式在一定程度上造成节点信息的缺失。因此,本文提出了一种多尺度建模机制,不仅在全局结构上构建了节点的特征,而且从局部结构上加强了节点信息的表达能力,增强了节点特征的丰富性。同时,在模型训练阶段,常常面临计算效率低的问题。为了解决这一问题,本文引入了一种基于QR分解的隐式矩阵分解方法,使用少量的节点即可达到表达全部节点的能力,大大提高了计算效率。（2）隐式矩阵分解方法常常需要筛选出少量的节点,利用这些节点与全部节点建立关联关系,这些筛选出的少量节点被称为地标节点。目前采用隐式矩阵分解方法解决网络对齐问题的模型常常采用随机抽样技术选取地标节点,这种筛选方式将所有节点一视同仁,忽略了地标节点的特殊性和重要性。因此,本文提出了一种基于节点重要性的采样策略。该策略根据节点的重要程度,从全部节点中筛选出最具有代表性的节点作为地标节点,进而构建它们与全局节点的关联关系。本文提出的异构网络对齐算法可广泛地应用于不同领域,例如在实际问题中的社交网络用户匹配、链路预测、用户画像、好友推荐、蛋白质分析、模式识别等等。为了验证本文提出的两种算法的有效性,分别在三个不同类型、不同规模、不同稀疏度的数据集上做了大量实验,并使用三种不同的评价指标从预测角度和排序角度对模型进行评估。实验结果表明,本文提出的两种网络对齐算法具有更优的性能。