在现实世界中,很多系统以网络的形式表现,例如社交网络、因特网、科学家协作网、电力系统中的电力网等等。但是原始的网络数据具有冗余性、关联性、大规模等特性,这加大了对算法效率的要求和影响了数据处理的效果。网络表征学习将原始网络数据压缩到低维空间进行表达,不仅降低了计算成本,而且提升了网络数据挖掘任务的效果（如链接预测、网络重构、网络稳定、社区稳定等）。然而,以往的网络表征方法主要侧重于静态网络,不适合具有演化性的动态网络。目前的动态网络表征方法仍然面临一些问题和挑战,一方面是在稳定性的表现上的不足,另一个方面是基于深度学习的网络表征学习方法复杂度过高。对于这两个问题,本文将基于深度学习框架重点研究动态网络表征学习的稳定性和模型复杂性。首先,为了提升动态网络表征学习的稳定性,本文提出一种基于深度自编码器的社区信息动态网络表征学习（CDNE）。为了更好地表达原始网络的结构,该方法使用网络结构的一阶信息和二阶信息的结合,从而提升了网络预测任务（链接预测、网络重构）的效果。在稳定性方面,本文在深度自编码器的目标函数中将原本的全局结构和局部结构上加上社区演化部分,这大大地提升了动态网络表征学习的稳定性。实验结果表明,对比当前的一些先进的网络表征学习方法,本文提出的方法在预测任务（链接预测、网络重构）和稳定性任务（网络稳定、社区稳定）都取得更好的表现。其次,针对目前的基于深度学习的动态网络表征学习方法复杂度过高的问题,本文提出一种基于稀疏自编码器的动态网络表征学习方法（SPDNE）。为了找到拟合网络数据和适应无监督式的网络表征学习的自编码器稀疏拓扑结构,受模拟退火算法启发,本文设计了一种稀疏自编码器结构进化算法。通过在三个基于自编码器的网络表征学习方法下的应用验证,这表明本文提出的算法能够在减少模型复杂度的同时保持优秀的网络任务（链接预测、网络重构）的效果。