自上世纪80年代开始，复杂系统的研究逐渐兴起。它被认为是解决目前各个领域研究面临的困难的一个重要突破点。而复杂网络是研究复杂系统的一个重要工具，任何系统都可以用网络来描述其结构，网络中的节点表示它的子系统，边表示子系统之间的联系。在过去的几年中，研究者们发现这样一个事实，不同领域的各种复杂系统的网络结构都受制于某些基本的法则，这些法则似乎可同等地适用于细胞、计算机、语言和人类社会。复杂网络的研究采用的是一种与传统的分解方法所不同的自底向上的研究策略，通过局部的非线性的相互作用，涌现产生异常复杂的整体行为。而系统中基本单元或子系统的数目极其巨大，常常达到成千上万甚至是数以亿计。这就使得复杂网络的研究不得不借助于高效的计算工具来实现实时的、规模足够大的仿真。并行计算技术是现在最成熟、应用最广、最可行的计算加速技术之一。因此研究复杂网络计算的并行加速技术具有十分重要的意义。而如何在各处理器间分配任务是并行计算性能好坏的关键。图划分技术就是解决这一问题的有效手段。但是目前的图划分技术只是静态的划分技术，并未考虑到复杂网络图的动态特性，也未针对复杂网络图中的无尺度、社区等性质做特殊优化，性能欠佳。为了提高复杂网络并行计算的性能，本文以复杂网络的划分技术为切入点对复杂网络的并行计算技术展开了研究。本文所做的创新工作主要体现在以下几个方面：1、建立了基于α性质的复杂网络图划分理论。动态特性是复杂网络图的最重要特征之一。传统的图划分理论其对象是静态的图，因此不能够处理复杂网络图。本文首先给出了复杂网络图的描述理论和基于α性质的图划分理论。用α性质可以对所有分配问题进行统一的建模和研究，便于利用其它分配领域已有的成果，具有重要理论意义。将复杂网络图的描述理论和基于α性质的图划分理论相结合，则能够描述复杂网络图的划分问题。该理论建立了研究复杂网络图的并行计算任务智能划分的理论基础。2、提出了负载均衡优先的自顶向下的复杂网络图多级划分算法。复杂网络图划分结果和划分算法的性能直接影响着并行计算的性能。针对目前多级图划分算法在划分无尺度网络时存在的局部最优以及存储开销大等问题，本文提出了自顶向下的多级划分算法框架，并给出了首个自顶向下的多级划分算法ABPG.该算法能够利用全局的社区信息对网络进行合理的缩并以减小图划分问题的规模，并利用自顶向下的策略降低存储开销。实验表明，在负载均衡优先的约束下，ABPG算法的划分结果相比传统算法平均改进9.2%,存储开销仅为改进前的20.3%.3、提出了通信开销优先的基于社区支撑树的复杂网络图划分算法。针对通信密集型应用的特殊性，本文对通信开销优先的划分展开了研究，提出了基于社区支撑树的复杂网络图划分算法TBP. TBP算法构造复杂网络图的社区支撑树并利用其对称性以降低搜索开销，提高算法性能。实验表明在通信开销优先约束下，TBP算法性能相比传统算法性能提高11.5%.4、基于神经网络并行仿真，验证了本文提出的复杂网络图划分算法的可行性和有效性。为了检验划分算法的性能，本文对复杂网络图的一类重要应用脑神经网络展开了研究。本文选择了两种类型的神经网络模型进行了并行实现，分别代表了负载优先的应用和通信开销优先的应用。文中对比了采用原有的图划分方法和本文提出的划分方法划分任务时的并行计算性能。实验结果显示文中提出的图划分算法能够有效地提高复杂网络并行计算的性能。