复杂网络的研究可应用于众多领域之中，现实生活和研究领域的复杂系统均可看成是复杂网络。复杂网络的分析算法可以揭示出复杂网络结构和特性，其中社团结构的识别和平均路径长度对于研究复杂网络具有重要的理论意义和极大的应用价值。但是，当今所研究的复杂网络的规模越来越大，如何在大规模的复杂网络中准确的、快速的识别出隐藏的社团结构以及快速正确的计算出平均路径长度是目前研究的热点问题。GPU众所周知由于其结构特点，拥有强大的计算能力，适用于密集型计算而复杂网络中的社团结构识别以及平均路径长度计算的方法均为密集型的计算。因此考虑到对大规模复杂网络进行分析的算法对于准确性和即时性的要求，将GPU用于复杂网络的分析算法中。本文对社团结构识别算法进行分析，找出可以在GPU进行并行的部分，设计并行策略并将其实现，将社团结构识别算法性能提高了2倍。通过进一步对算法本身进行优化，并对优化后的GPU并行实现，最终得出性能优化后的GPU并行算法比优化后的CPU串行算法性能提高了13倍。最后，为了同时计算复杂网络的两个重要特性—社团结构和平均路径长度，将社团结构引入到计算网络平均路径长度中并且设计并实现了该方法。