我们生活在一个由复杂系统主宰一切的世界当中,随着信息技术的快速发展,一方面人类社会的复杂系统基本结构——复杂网络,变得越来越复杂,另一方面人们需要处理的网络数据集变得丰富多样且规模巨大。同时,世界的联系越来越紧密,人类的全球性系统性风险越来越频繁地出现。在此背景下,对复杂网络的相关研究对人类社会防范风险和进一步解放与发展生产力有重要作用。网络结构中的桥对于检测社区结构、研究信息传播规律、传染病的流行研究,以及网络的可靠性研究等都具有重要作用。然而,关于复杂网络的大量研究中,只有少部分是专门针对桥的,桥的识别仍然是一个尚未得到有效解决的问题。本文结合前人的相关研究成果,如节点中心性、节点相似性等以节点为对象的研究,弱关系理论、边的强度指标、桥系数等对链接的研究,以及社区结构的定义与度量、社区发现算法等以复杂网络社区结构为核心的研究等,以识别出网络中的桥为目的,构造了若干基于边的网络局部拓扑结构的特征指标。为了检验桥的可识别性,本文选择了五个社区结构已知的真实网络数据集,采用有监督学习的思想,以机器学习模型light GBM为工具,训练模型,并检验模型对桥的识别准确率。实验过程中,除用全部所构造的特征进行建模与训练以外,本文分别在各个数据上用递归消除法筛选出了分类效果最好的一个特征、两个特征组合以及三个特征组合三种情况下的最优特征,同时对每一最优特征组合,考察训练集的规模从很小到很大的过程中,模型分类效果的变化。根据实验结果,本文有以下发现:1、利用本文所构造的特征,基于半监督机器学习可以比较准确地识别出网络中的桥;2、本文的实验条件下,桥的识别只需要一个特征就可以达到与多个特征相当的识别效果;3、不同的网络数据,适用的最优特征不同;4、模型对桥的识别效果对训练集占总数据大小的比例不敏感,即同一网络中,各处的局部拓扑结构高度一致;4、所有数据上最重要的前三个特征几乎全部从local＿load、local＿similarity、min＿core＿degree、cosine＿similarity1这四个特征中产生,体现了真实网络中的社区结构存在某种共性。