现实世界中诸多系统都可以用复杂网络进行描述，如社交网络、学术研究中的引文网络、新陈代谢网络、蛋白质网络，电力网络，交通网络，科学家合作网络、万维网、脑神经网络等，节点代表各系统的构成要素，边代表要素之间的联系。目前复杂网络研究主要从网络中观结构和微观结构展开，微观层面主要从定量分析个体节点重要性程度来揭示网络特性，中观结构体现在节点之间的聚类效应和社团探测。如何从这些看似无规律、大量、冗杂的数据中找到有价值的信息，利用定量分析方法度量大规模网络中节点重要程度，是复杂网络研究的中亟待解决的重要问题。　　现有节点重要性评估方法由于对节点的重要性定义不统一，不同计算节点重要性的算法侧重点不经相同。有基于节点位置和邻居的局部算法，基于特征向量的全局算法和抗毁性测试的节点移除收缩法。特征向量中心性算法思路清晰，精度较高，在学术和现实应用中都得到了极大的重视，但是EC算法只考虑邻居节点的贡献而忽略其他节点，且忽略了传播过程中信息丢失。针对上面的分析，我们主要从计算节点影响力角度出发对EC算法进行改进，并在此基础上提出基于节点影响力的社区发现算法，全文的主要贡献概括如下：　　（1）提出基于拓扑结构的可达中心性（Accessbility Centrality，AC）算法。首先提出基于拓扑结构进行信息传播的路径计算方法，得到每个节点传播到其他节点的所有路径，路径条数越多说明节点影响力越大，可以快速定位位于拓扑中心的重要节点；其次采用矩阵累加运算计算传染范围，加速节点收敛过程。在四个经典真实的Word网络、Email网络、Protein网络和Airport网络中对算法进行测试，验证算法的可行性。并与传统 EC 算法和 LeaderRank 算法等四个算法进行对比测试，分析此方法的性能。　　（2）提出基于节点影响力的社区发现（Rational LPA Based Node Influence ，RLPBNI）算法。首先深入研究标签传播算法，根据节点影响力大小改进标签传播节点顺序；其次定义理性节点标签传播规则；最后在社区合并过程引入社区重叠度进行极大社区合并调整，提高算法精度。在真实网络和人工网络中进行测试，验证算法的可行性，并与LPA算法等传统算法进行对比测试。　　（3）将AC、RLPBNI算法应用在领英社交网络数据中，测试算法对现实生活中社交网络实践应用，并最终对研究的结果进行相应的评价和分析。