现实世界中许多复杂系统都可以表示成复杂网络的拓扑形式。社区作为复杂网络中广泛存在的一种结构,其内部节点联系紧密,不同社区间节点关系稀疏。社区结构的研究将有助于理解网络的结构和功能等特性,对于复杂网络的分析和研究有着重要意义。而社区发现就是探测复杂网络中存在的社区结构,本文在研究已有重叠社区发现算法的基础上,围绕节点重要性度量、模糊社区检测和局部社区扩展,给出两种并行重叠社区发现算法,能够找到较大规模网络中重叠节点。首先,针对模糊c均值算法存在社区划分不稳定的问题,给出一种基于节点重要性和相似性的稳定重叠社区发现算法。该算法以节点重要性排序和节点间最短路径作为筛选网络核心节点,同时引入基于s跳的相似度量方法以丰富相似矩阵蕴含的信息,利用核心节点作为模糊c均值算法的初始聚类中心,规避了原算法随机因素的影响,其后借助Spark优化实现算法,并验证算法的有效性。其次,针对基于网络全局信息的社区发现算法耗时严重,不适于大规模网络分析需要的问题,给出一种基于k-core分解的并行重叠社区发现算法。该算法在Spark的帮助下通过k-core分解和局部集聚系数快速获取节点的全局和局部重要性,根据一定机制筛选出种子节点,并行地以种子节点邻域中的最大团结构开始拓展局部社区,其后利用局部社区累加的节点影响力决定未分配节点的社区归属。人工合成网络和真实网络数据集的实验结果表明该算法能够高效地发现重叠社区。最后,在理论研究的基础上设计并实现并行重叠社区发现原型系统,该系统不仅能够转换不同网络数据集格式,快速计算集聚系数、边介数和最短路径等网络特性,而且能够高效地探测网络中的重叠社区结构,可视化展示社区划分的结果。