随着各类基础设施的不断完善以及全球信息化进程的加快,电力网络,公路网络和社交网络等各种复杂网络已经与人们的生活密不可分。大量研究表明,复杂网络的信息传播模式可以通过控制其中的关键节点来加以引导,因此,关键节点挖掘是网络科学领域中一个非常有价值的研究课题,其成果也可以被应用于舆情控制,商品营销以及异常检测等领域。本文借助于网络科学、机器学习与深度学习的相关理论,在静态网络节点影响力排序、静态网络关键节点组挖掘以及时序网络节点影响力预测等三个方面展开了理论与方法研究,为复杂网络中的关键节点识别问题提供了一种新思路。本文主要工作包括:（1）针对静态网络节点影响力排序问题,提出了一种基于节点邻域邻接矩阵和卷积神经网络的节点影响力排序算法RCNN。该算法将节点及其邻域信息嵌入到一个二维矩阵的同时有效保留其网络结构特征,再结合卷积神经网络进行学习。RCNN算法将复杂网络中的节点影响力排序问题转换为了深度学习中的回归任务,通过在人工网络上的训练而不是研究者的主观臆断来找出关键节点的隐含结构特征。在多个真实网络上的对比结果表明,相较于所有对比方法,该算法只需要较低时间复杂度就能够更准确地衡量网络中节点的影响力,RCNN的预测排名结果与真实感染规模的排名结果最为接近（在不同网络上相较于对比方法中最好的结果提升了5.1%–266%）且在大部分网络上具有最高的top-10%命中率。（2）针对静态网络中初始传播节点数量固定的情况下（少量节点）,传播规模最大化问题,基于迭代选择策略与信息扩散过程,提出了一种对节点排序算法进行重排序的关键节点组挖掘算法RINF。该算法通过对网络中信息传播规律进行分析,考虑到节点之间的信息传播概率,在迭代选择的同时,有效地削弱了节点影响域的重叠,实现了少量节点作为传播源时的传播规模最大化。在多个测试网络上的实验结果表明,RINF算法只需要较低的时间复杂度就能够对原始节点排序算法的结果进行重新排列,并且重新排序过程可以使挖掘出的节点组在网络中具有更强的传播能力,更加分散的位置以及更低的开销。其中,Page Rank＿INF（Page Rank的重排序版本）在六个测试网络上的性能超越了所有SOTA的对比算法。（3）针对静态网络中传播规模固定的情况下（大规模传播）,初始传播节点数量最小化问题,提出了一个由图卷积层和线性层组成的深度学习框架IMGNN,并设计了相应的训练样本生成方案。该框架以网络中节点的中心性等特征为输入,以节点位于网络最小传播节点集合的概率为输出。在多个测试网络上的实验结果表明,与非迭代策略的节点排序算法相比,IMGNN在大部分网络中均能以最小的初始传播节点组占比实现80%以上的最终感染规模。同时,IMGNN的排序结果也可以通过RINF算法进一步提升其性能,重排序后的IMGNN在大部分测试网络上的性能超越了所有基于迭代选择策略的关键节点组挖掘算法。（4）针对时序网络节点影响力预测问题,提出了一个基于动态图卷积网络的学习框架DGCNs以及更符合实际场景的时序网络离散表示。该框架由图卷积神经网络与循环神经网络结合而来,能够通过网络演化的历史数据来有效的预测节点在未来的重要性。在四个真实时序网络上的性能评估结果表明,相较于所有对比方法中,DGCNs给出的预测排名最接近真实排名且top-k节点命中率最高（在不同网络上相较于对比方法中最好的结果提升了2.6%–68.5%）。此外,DGCNs的训练时间复杂度与时序网络的节点数呈线性关系,可用于大规模时序网络。