近年来,对复杂网络的研究呈现快速的增长趋势,而关于如何量化比较两个网络是否相似也受到了越来越多的关注。网络可比较问题的解决方法有很多,比如基于网络的拓扑性质的比较、基于机器学习的图分类方法比较等等。关于网络的拓扑性质比较只是比较两个网络间的某些局部特征,比较的效果往往差强人意。基于机器学习的图分类方法基本上是要给定网络的类型标签,然后对网络进行训练,从而对网络进行分类。基于机器学习图分类的方法虽然效果好,但是运行时间长,而且只能比较不同类型网络是否相似,无法准确刻画同类网络的差异。基于此,针对上述方法的缺陷,结合图嵌入方法最近几年的快速发展以及广泛应用。本文提出了一种基于图嵌入的网络差异量化方法,该方法泛化能力强且能捕获网络全局特征,本文主要工作如下:（1）本文提出了一种基于图嵌入的网络结构性差异量化方法。该方法通过将网络中的每个节点表示成向量,而这些向量被进一步用来比较网络的相似性。该方法能有效地捕获网络的全局特征,同时本文提出的网络距离公式的两项也分别比较了网络的全局相似性和局部相似性,从而弥补了传统方法只考虑网络的部分属性,只能捕获网络部分信息的缺陷。因此,本文的模型方法能更加准确、更加合理的捕获网络之间拓扑结构的差异性。（2）为了验证本文方法的有效性,我们分别在人工网络和真实网络上做了模拟验证。对于随机网络,本模型方法能有效的捕获随机网络的相变点,同时能比较小世界网络之间的变化差异。在基于真实网络的模拟对比实验中,我们比较了本文方法得到的节点分布与真实网络的距离分布之间的差异,从而验证了本文方法在捕获网络全局特征上的有效性。接着我们采用两种不同的比较方法来验证我们方法在真实网络中的效果,对于其中一种方法,比较的是真实网络与使用零模型变换后的网络之间的差异变化,而另一种方法比较的是真实网络与通过随机删除和增加一定比例边变换后的网络之间的差异变化,两种方法都能验证本文算法模型在真实网络中的有效性。（3）我们也与其他论文所提出的方法进行了对比。我们在四种人工网络上,对比了三种不同方法的效果,同时我们也分别在人工网络和真实网络上实验,论证了在稠密网络中本文提出的方法达到了最好的效果。（4）为了验证模型能否拓展到不同规模网络的量化比较,本文通过对具有不同节点大小的ER随机网络进行实验模拟。结果表明我们的方法同样能适用于不同规模的网络比较;最后我们针对WSL、ER、WSH和BA四种人工网络验证权重参数对模型的影响,实验结果表明我们所提出的模型对于参数的鲁棒性较好。总体来说,本文提出的基于图嵌入的结构性差异量化方法不仅能比较人工网络之间的差异,而且能比较真实网络之间的差异,不仅能适用比较不同网络规模的网络,而且不强依赖权重参数。本论文的模型方法为现实生活中网络的量化比较提供了一个参考基础。