随着大规模网络的不断发展,涌现了许多相关的新兴应用,同时图规模快速增长,图数据也频繁更新,对大规模网络的处理提出了更高的要求。稠密子图发现是一个基本的图挖掘问题,已经成为广泛的数据分析任务中的原语,稠密子图发现作为网络处理中的热点问题,其质量和效率直接影响到复杂的网络分析。本文对稠密子图发现和k核的相关理论进行了研究,根据静态图及动态图上稠密子图的特点提出了基于k团核的稠密子图发现方法,主要研究内容包括:1.提出一种新的稠密子图模型。k团核模型既可以捕获顶点的团核数又能保证子图一定的紧密性,k团核心分解算法获得的团核数能够有效地得到密度假想值的紧密上下限,从而减少二进制搜索的次数。2.提出基于k团核的静态稠密子图发现的一种精确算法和一种近似算法,实现大规模图上的快速稠密子图发现。精确算法利用k团核,提出三个优化规则提高效率,并且利用核心分解算法,在特定的核上构建流网络,通过使用二分查找法解决最大流问题找到稠密子图。近似算法为了进一步提高效率,不利用核心分解算法,而是提出一种新的方法,直接计算最大的k团核,并证明最大k团核是稠密子图发现问题的近似解。3.提出动态图上的稠密子图发现算法。在处理稠密子图发现的过程中,当图数据频繁更新时,只有部分顶点的团度数产生变化,因此提出一个存储高团度顶点的数据结构,应用滑动时间窗以边流的形式处理动态图,设计节点、边添加和删除的算法,实现稠密子图发现。4.在真实的数据集上进行了大量的实验,验证了基于k团核的稠密子图发现方法和动态稠密子图发现方法的有效性。实验表明,该方法能在较快的运行时间内保证较好的子图发现质量,且在实际应用中的静态图和动态图上都有良好的可扩展性。