复杂网络理论可以用来描述大脑神经网络通信中的大量现象。研究发现,很多物种的脑网络结构具有典型的复杂网络特征,如网络的度分布服从幂律分布,网络拓扑结构具有小世界网络中的高聚类系数和短路径长度特征。在复杂网络中,BA无标度网络模型引入增长网络和优先连接这两个概念,使其成为复杂网络中最常用的模型之一。但是在BA无标度网络中,每个新节点的度值相同,优先连接概率与原节点的度值呈线性关系,原节点之间无法产生新的连接,且网络聚类特性较差,这些缺点限制了BA无标度网络在脑网络中的应用范围。本文根据生物神经网络中神经元之间信息传递的特点,对BA无标度网络以上缺点进行改进。本文首先引入节点重要度这一概念,表明该节点在网络中的重要性,网络中所有节点的重要度服从幂律分布。根据每个节点的重要度可计算出该节点的度值,以及与该节点相连的边的权重(本文称为连接强度)。因此,每个新加入网络的节点的度值各不相同。与此同时,本文提出连接成本这一概念,度量信息通过该条边所耗费的成本。其次,本文提出BA无标度改进网络模型,对优先连接概率提出两种改进方式:一种是优先连接概率与网络原节点的度值呈非线性正相关关系,另一种是优先连接概率受原节点的度值和其与原节点之间的距离双重因素的影响,且与度值呈正相关关系,与距离呈负相关关系。本文分析这两种改进方式中非线性参数对网络度分布的影响,从而确定使网络度分布服从幂律分布的参数值范围。此外,本文通过仿真对比分析这两种优先连接方式对应的BA无标度改进网络在距离分布、连接成本、聚类系数和平均路径长度等方面的网络静态特性。结果表明,当优先连接概率受原节点的度值和其与原节点之间的距离双重因素的影响时,该网络具有小世界网络高聚类系数和短路径长度的特性,网络节点之间更趋向于短路径通信,且连接成本较低。最后,本文根据网络效率、度值、特征向量和介数这四个指标,计算BA无标度改进网络中每个节点的重要性,从而识别出该网络的中枢节点。在基于最小连接成本的Dijkstra最短路径算法的基础上,提出路径优化算法,该算法通过在网络原节点之间建立新路径的方式,对满足条件的最短路径进行路径优化,包括无中枢优化和中枢优化两种方式。仿真结果表明,相比于Dijkstra最短路径算法,这种路径优化算法的节点间通信连接成本更低。