本文在经典PageRank模型的基础上,阐述一种极小化不可约矫正的PageRank模型,并进一步对其矫正后的方法进行分析,给出一种集中分块加速的算法。　　 第1章,首先介绍了经典PageRank模型原理的形成及其常用的矫正和计算方法,进而给出了其矫正后的谱集。更加深化了其解的唯一性。针对其常用的矫正方法提出极小化不可约矫正的PageRank模型,并证明了其解的存在唯一性。　　 第2章,基于上一章的内容,将集聚的思想应用于极小化不可约矫正的PageRank模型,对该算法进行了改进,从而使其计算得到加速,在理论上证明了加速的有效性。进一步用两个数值算例的计算工作量验证了理论分析的正确性。　　 第3章,在第二章给出的算法的基础上,进一步分析了悬挂节点与非悬挂节点所对应的PageRank值之间的关系,进而给出了两者之间的数量依存关系。　　 第4章,对本文的工作进行了总结和展望。