复杂网络可视化是复杂网络研究中的重要手段。随着Web2.0时代和大数据时代的来临,作为研究对象的复杂网络的规模越来越大,人们也越来越需要对规模庞大的数据进行准确地表达和理解,并从中进一步探索和挖掘有效信息。采用传统的数据表达方式已经不再能够满足人们的需求。因此,将复杂网络数据进行可视化成为了人们理解和研究复杂网络数据的一个主要方式。然而伴随着复杂网络数据的海量式增长,对复杂网络可视化布局算法的布局效果和运算速度都提出了新的挑战。在可视化布局算法中,力导引布局算法由于其布局结果的美观性等原因得到了最为广泛的应用。因而,本文基于力导引布局算法,从优化布局效果和提高算法效率两方面同时对大规模网络数据的布局算法进行了改进和实现。在优化布局效果方面,分别利用复杂网络中的关节点,介数中心性和k-核的概念,提出了三种不同的网络数据压缩方式。将网络节点划分为不同类别,并根据节点所属类别进一步对其进行聚集合并,实现大规模网络数据的压缩布局显示,从整体上清晰地显示网络宏观结构。在提高算法效率方面,针对压缩后的网络数据,对力导引算法需要的斥力计算、引力计算和更新坐标三个部分均实现了基于GPU的并行计算,大大缩短了算法的运行时间,从而使人们在可接受时间内获得大规模网络数据的可视化布局结果。最后,给出相应算法的实验布局结果,并提出了面向压缩布局的复杂网络信息量的概念,用于量化衡量网络数据在压缩前后的变化情况。结合实验数据分析和对比了网络数据性质压缩前后的变化,验证了三种网络数据压缩方式和GPU并行计算力导引算法的有效性。