不确定图的关键边是指相对于其他边而言,能够在更大程度上影响网络结构与功能的一些特殊边,一旦发生故障,将对整个系统产生巨大影响,甚至导致系统瘫痪。目前,网络中关键边挖掘因其广泛的应用价值和理论研究意义,受到众多研究人员的关注,各种针对特定应用需求的边关键度评估方案不断被提出。这些方法站在各自的立场,从不同角度为我们探索不同应用需求下节点的重要性提供可选的方案。本文提出适用于流网络的关键边评价模型,针对网络中边损毁(故障)后对流量和可靠性产生的相对损失来综合衡量关键边,重点在于如何在动态变化的网络环境中对最大流和可靠性进行快速计算,从而实现动态流网络中边关键度既准确又快速的评估。论文主要包括以下几个方面：(1)从边损毁(故障)后对流量和容量可靠性产生的相对损失这一角度,构建了一种基于流量和容量可靠性的关键边衡量模型,对边的关键度进行综合评估。针对此模型,首先设计了一种基于最大流和容量可靠性重新计算的原始算法BASE_FCP,然后针对其性能存在的不足,提出基于流量和容量可靠性的状态区间缓存算法SCA_FCP,其首先将不确定图的边定性分类,然后根据不同的边设计不同的计算方法以减少复杂度。最后,实验分析表明,SCA_FCP相对于BASE_FCP虽然在空间复杂度有一定的增加,但在时间复杂度方面具有较大的优势。(2)虽然基于流量和容量可靠性的模型对于关键边的区分度较好,但不确定图容量可靠性的计算过于复杂,而计算不确定图分布可靠性只需要获取其极小子图即可,为此,本文重新构建了一种基于流量和分布可靠性的关键边模型。针对此模型,首先提出了基于流量和分布可靠性的状态区间缓存算法SCA_FDP,但是考虑到其在状态划分过程中存在初始状态划分空间大的缺点,为此,提出一种基于确定边过滤的优化算法SCA_FEA,该算法使用割集边和悬挂边对于初始划分集合剪枝,从而减少初始状态划分集合大小。实验表明基于流量和分布可靠性的模型比基于流量和容量可靠性的模型,不管在时间还是空间性能上都有提升,相对于算法SCA_FDP, SCA_FEA也使得时间性能有了一定程度的提升。(3)针对基于流量和分布可靠性的关键边模型,使用算法SCA_FEA计算不确定图(最可靠最大流)分布可靠性依然是一个NP-Hard问题,难以满足对计算速度要求很高的实时环境中,为此,提出一种基于流量和分布可靠性的关键边近似算法KEAA_FDP,该算法利用最大流分布的剩余图,通过流量调整,选取最可靠简单路径进行增广,实现(最可靠最大流)分布可靠性快速计算,并给出了近似算法获取的关键边序列解和精确算法解的相似性度量。实验表明算法KEAA_FDP相对于SCA FEA算法性能有了显著提升,能够适应不同规模和稠密度的图,且波动性不大。