复杂网络是代表和分析复杂系统(例如万维网和交通运输系统)的一种有用的工具。但是,随着复杂网络体量的增长,理解网络的拓扑结构和它们的特征变得越来越困难。在本文中,我们首先回顾了8种用于检测并且可以排序网络中关键边的方法,并分析这些方法的适用性与局限性。接着,我们将这些方法应用于4个真实世界的网络,我们比较各个方法得出的边重要性的分布、抽取的骨干结构的大小,揭示方法之间的相关性。在比较了8种方法之后,我们提出了一种全局和局部自适应的骨干结构抽取方法(GLANB)。GLANB方法利用基于最短路径的边参与度和统计假设来评估边的统计重要性；然后GLANB方法利用边的统计重要性来保留更重要的边,以此抽取骨干结构,骨干结构是抽取后的有更少的节点和边的子网络。GLANB方法通过综合的考虑网络的拓扑结构、边的权重和节点度来决定边的重要性,那些权重较小但在拓扑结构中起到重要作用的边不会被轻视。GLANB方法可以被应用到所有类型的网络,包括加权/无权和有向/无向网络。四个真实网络的实证研究表明GLANB方法提出的边重要性分布是双峰的,因此可以得到边的鲁棒性分类。进一步地,GLANB方法倾向于将k-壳分解中网络中心的节点保留在骨干结构中。综上所述,GLANB方法可以帮助我们更好的理解网络的结构,决定在信息传递中起关键作用的边,并且通过骨干结构的方式更方便的传递网络所表达的信息。