现实世界中复杂系统可由复杂网络进行高度抽象,其社团结构特性是复杂网络中最显著的特征。通过社团检测算法挖掘复杂网络的社团结构可以深入探索网络的拓扑结构与隐含特性间的关联。此外,复杂网络中的社团检测研究成果已广泛地应用于犯罪团伙识别、蛋白质复合物分析、个性化推荐和信息检索等多个领域。近年来文献中提出大量的社团检测算法来划分网络中的社团结构,然而大部分算法在准确性或效率上都不能达到良好的效果。本文在分析阐述现有的社团检测算法基础上,针对其中存在的问题提出了两种新颖的社团检测算法。主要的研究工作和贡献如下:(1)为了提升标签传播算法LPA的准确性和稳定性,本文中提出了一种基于节点引力的标签传播算法。该算法首先基于网络全局特征的LeaderRank算法计算网络中所有节点的重要性,以重要性升序的方式序列化节点的更新顺序。然后,该算法结合网络的拓扑特征和引力理论来定义网络中节点间的虚拟引力,该引力的定义同时考虑到了节点重要性和节点相似性两种节点特性。算法在标签迭代更新过程中选取引力和最大的标签来更新当前节点的标签,以此来提高算法的稳定性和准确性。(2)针对大规模网络中的社团检测问题,本文中提出基于中间节点隶属强度的社团检测算法,通过分析中间节点在不同社团中的隶属强度来划分网络的社团结构。该算法首先根据网络的局部拓扑特征来定义网络的中间节点及其在社团中的隶属强度,其中隶属强度的定义仅基于网络中节点的局部拓扑特性以提高计算效率。考虑到网络的先验知识和节点不同特性对其所属社团的影响,隶属强度的定义中加入调节参数以控制不同特性的影响程度。迭代地分析中间节点在不同社团中的隶属强度以此来划分网络的社团结构。为了提升算法的效率和准确性,还提出两种简单的初始化方法与后处理方法。为了验证本文中提出的算法的有效性,本文实验部分采用了多个不同特性的网络数据集在多个指标上比较本文提出的算法与对比算法的性能。通过实验结果分析表明本文中的社团检测算法能够高效地检测出高质量的社团结构。