随着互联网的快速发展,网络分析逐渐成为研究热点。社区发现是网络研究中的重要研究课题,通常社区具有内部节点连接紧密,而社区之间节点连接稀疏的特性。近年来,许多优秀的社区发现算法不断涌现,并广泛应用于许多领域。由于网络规模日益增大,许多算法引入了并行计算。然而这些算法多数为静态算法,无法进行网络演化分析。而动态社区发现算法大多为单机算法,效率低下,难以进行大规模网络的分析。因此将动态算法与并行计算相结合是非常必要的。根据重叠性,社区发现研究可分为非重叠社区发现与重叠社区发现两种,顾名思义,非重叠社区中一个节点只有一个社区归属,重叠社区则允许节点有多个社区归属。基于Spark,本文设计并实现了两种并行动态网络社区发现算法和一个并行图计算系统,主要贡献如下:本文基于现有社区质量衡量指标的局限性,提出一种新的并行指标PWCC来衡量社区质量。该指标对结构变化非常敏感,保证了社区结构的准确性。本文提出一种基于增量计算的并行动态非重叠社区发现算法PICD,其增量聚类过程主要分为两步:首先执行并行的全局搜索发现增量节点,然后仅对增量节点执行并行的局部社区归属调整,充分利用网络短时平滑性特点,通过不断优化网络的PWCC来获取高质量的社区结构。基于PICD发现的社区结构,本文继续提出一种并行动态重叠社区发现算法PIOCD,同样基于PWCC的优化发现网络中高质量的重叠社区结构。PIOCD对节点的社区归属调整策略进行扩展,允许节点复制到其邻居社区,保证了社区结构的重叠性。本文在人工网络和真实网络上进行了大量实验,实验结果表明两种算法具有更高的准确性和稳定性,可以发现更加准确的社区结构,并且实现了更高的效率。在时间性能方面,随着网络规模的增加,算法呈现几乎线性的时间增长。最后,本文设计并实现了一个并行图计算系统,基于Spark实现多种网络指标分析和社区发现算法,并以组件形式集成到系统中,系统支持网络导入、网络指标分析、静态社区发现、动态社区发现以及网络展示等操作,方便用户进行大规模网络的分析与计算。