作为数据挖掘中一个正在蓬勃发展的研究领域,复杂网络分析正引起越来越多研究人员的关注。为挖掘网络中的不同结构与功能特性,该领域的研究焦点涵盖了从中观尺度的社区结构到微观视角下的节点重要性。一方面,社区发现是复杂网络研究中一项十分重要的基础性工作,它以分而治之的角度为更准确地研究和理解网络的拓扑结构、物理意义和功能行为提供一种方法。另一方面,鉴于网络中不同节点在功能以及结构上都存在明显差异,如何识别特定功能和结构上的重要节点也具有十分重要的研究意义。目前,针对于节点重要性,国内外相关领域的学者都做了大量的研究工作。然而,大部分工作由于相关领域的研究进展而并没有与复杂网络的中观结构结合起来。对于近年来将节点重要性与社团结构相结合的研究,也仅是考虑社团的最基础概念而未对其进行深层挖掘和利用。本文基于此完成了如下主要工作:第一,结合加权有向网络中连边的方向在节点重要性中的贡献,在已提出的ClusterRank算法的基础上给出了改进的节点重要性指标IO-ClusterRank。该排序算法考虑了节点的出度邻居和入度邻居对其重要性的影响并分别加以区分,同时也将边权对节点重要性的贡献作为一个参考因素。第二,在综合对比分析当前主要的结构洞定义的基础上,结合社区发现算法的相关技术以及节点重要性的理论提出重要社区的概念。从重要社区中连接更多重要社区的节点更重要的角度出发,提出了一种面向结构洞的节点重要性排序算法。算法根据节点与所属社区内所连接节点的情况以及所属社区外连接其他社区的情况来评价节点的重要程度。第三,基于实际数据集分别对本文所提出的IO-ClusterRank指标和在重要社区下面向结构洞的节点重要性评价指标进行了实验测试及分析。首先在三个规模不同且出入度分布有所差异的加权有向网络中,利用SIR模型以及Kendall’s tau相关系数对IO-clusterRank指标以及其他主要加权有向网络中的节点重要性评价指标做了对比分析,结果表明在出入度差异较大的网络中该指标有明显优势。其次,在四个规模不同的无向网络中对基于重要社区的节点重要性指标与较经典的节点重要性指标进行了实验结果的分析讨论得出在社区清晰的网络中该指标具有明显优势。