复杂网络是对复杂系统的抽象表示。系统中的实体被抽象地表示为网络节点,实体之间的交互关系被抽象地表示为网络连接。普适性使得复杂网络被广泛应用于社会学、生物学以及计算机科学等多个学科,相关理论和方法的研究具有深远的科学意义。面向不具先验知识的真实网络,如何高效地探索其拓扑结构是复杂网络分析的一项重要任务。作为一种生成模型,以贝叶斯理论为基础的随机块模型能够很好的处理该问题。相较于单一结构发现,随机块模型通过学习算法将网络中的节点划分到其对应的块结构中,可以发现隐藏在网络中的多种结构以及结构间的相互作用方式。然而,由于现实系统自身的复杂性,网络中不可避免地存在一些噪声节点,这类节点的行为异常且不具有特定的连接模式。在网络划分过程中,噪声节点被随机地分配到各个块中,会在很大程度上影响随机块模型对块结构的定义,最终导致发现的网络拓扑结构偏离其真实结构。针对以上问题,本文开展了面向噪声网络的随机块模型研究,主要工作如下:首先,本文提出了一种建模噪声网络的贝叶斯随机块模型。作为随机块模型的扩展方法,该模型不再使用连接密度来定义块结构,而是根据网络生成方式对节点进行划分,因此更适用于划分不具先验知识的真实网络,同时模型可以学习不同的块间连接概率,进而发现网络中的多种结构甚至是具有多种结构的混合结构。面向带有噪声节点的无向网络,该模型通过结合网络的对称性,细致地刻画了噪声节点与其他节点的连接,减少了噪声节点对网络结构划分的影响,从而提高了噪声网络结构发现的准确性。然后,本文选择变分贝叶斯推导作为参数学习策略来求解模型中各参数的后验分布,并且提供了完整的推导过程。此外,在块模型研究中,如何确定网络中最优的块数叫做模型选择问题,这是模型自动探索网络结构的重要任务。本文详细推导了模型的证据低边界,并将其作为模型选择的依据,通过人工数据集以及真实数据集对模型选择功能进行了验证。最后,通过与六个先进算法在人工网络与真实网络数据集上进行对比实验,从网络结构划分的准确性、结构发现的多样性以及结构划分的鲁棒性三个方面验证了本文模型在处理噪声网络结构划分任务时具有较好的表现。该模型是一个典型的生成模型,因此可以学习到网络的相关参数,文中通过实验验证了其具有恢复生成网络参数的能力。